想象你被蒙住眼睛，空降在大雾弥漫的山中。
每次往哪走、走多远，机器是怎么算出来的？
你被蒙住双眼，空降在大雾弥漫的山中。看不见全貌，只知道：必须尽快走到山谷最低点。
你唯一的工具是——脚。你能感知脚下地面的坡度。于是你本能地会：
用脚试探四周，找出最陡的下坡方向
朝那个方向迈出小小的一步
停下，再试探，再迈步，直到脚下平坦
| 山的世界 | 机器学习 |
|---|---|
| 海拔高度 | 损失函数 Loss（越高 = 误差越大） |
| 你所在的位置 | 模型参数（Weights） |
| 脚下的坡度 | 梯度 Gradient（告诉往哪走） |
| 迈步下山 | 更新参数 |
| 山谷底部 | 最优解（Loss 最低） |
这个公式说的是：每次把 x 往最小值的方向挪一点点。
就好比你站在山坡上，要往山谷底部走：
你当前在哪个位置。参数值。
这一步要挪多远、往哪边挪。
挪完之后的下一个位置。
重复这个动作很多次，x 最终会停在 f(x) 的最低点。
找 f(x) = x² 的最低点，从 x = 3 开始，η = 0.1：
| 步骤 | 当前位置 x | 坡度 f′(x) | 挪动 η·f′ | 新位置 x_new | 函数值 f(x) |
|---|---|---|---|---|---|
| 0 | 3 | +6 | 0.1×6 = 0.6 | 2.4 | 9.00 |
| 1 | 2.4 | +4.8 | 0.1×4.8 = 0.48 | 1.92 | 5.76 |
| 2 | 1.92 | +3.84 | 0.1×3.84 = 0.38 | 1.54 | 3.69 |
| ... | 一直重复，慢慢逼近 x=0 | ||||
每次都往最低点挪一点，x 从 3 → 2.4 → 1.92 → ... → 越来越接近 0。
公式里 η · f′(x) 这一项，代表"这一步要挪多远"。它由两部分组成：
基础步长基数。你决定每一步最多走多远。比如 η=0.1，就是最多走 0.1。
坡度有多陡。陡坡就多走几步，平坡就少走几步——这是自动调节的部分。
这个设计非常巧妙——完全不需要人工调节步长：
| 地形 | 坡度 f′(x) | 步长 η·f′(x) | 效果 |
|---|---|---|---|
| 陡坡（离谷底远） | 大 | 大 | 大步快跑 ✅ |
| 接近谷底 | 小 | 小 | 小步精找 ✅ |
| 谷底 | 0 | 0 | 自动停止 ✅ |
这就是自适应步长：坡陡就大步，坡缓就小步，算法自动完成。
假设你在 x = 3，f′(3) = 6（正数）。
坡度 = +6
（正，右边高左边低）
要往左走
→ 减小 x
3 − 6 = −3
✅ 方向正确
坡度正 → 最低点在左边 → 减正数 → x 减小 → 往左走 ✅
假设你在 x = −3，f′(−3) = −6（负数）。
坡度 = −6
（负，右边低左边高）
要往右走
→ 增大 x
−3 + 6 = 3
✅ 方向正确
坡度负 → 最低点在右边 → 减负数（加正数）→ x 增大 → 往右走 ✅
这就是减法的精妙之处！不需要判断坡度正负再决定是加还是减，直接一个减号，全部搞定。
坡度 f′(x) 是一个"信号"，告诉你方向和相对力度。但它不能直接拿来当步长用。
因为如果坡度太大，直接用会出问题：
假设 f′ = 1000（悬崖边）
直接减 → 一步跳过了整个山谷
0.1 × 1000 = 100
还是有点大，但可控制了
0.001 × 1000 = 1
安全步长，慢慢逼近
坡度 f′(x) 是一个无量纲的比值，η 把这个比值转换成具体的移动距离。
| 情况 | 现象 | 结果 |
|---|---|---|
| η 太大 | 步子迈太大 | 跳过山谷，Loss 震荡/发散 ⚠️ |
| η 太小 | 步子像蚂蚁 | 收敛极慢，收敛时间太长 ⏰ |
| η 合适 | 步子适中 | 稳步下山，快速收敛 ✅ |
实际工程中 η = 0.01 ~ 0.1 是常用范围。需要通过实验调整。
你可以试试：拖动滑块设置起点和学习率，点击「下一步」或「自动播放」，看梯度下降怎么走。
x_new = x − η·f′(x)。每次把参数往 Loss 最低的方向挪一小步。
坡陡大步，坡缓小步，完全自动。f′(x) 充当动态调节器。
无论坡度正负，统一减法，自动找对方向。
把坡度信号转成实际步长。太大跳过谷底，太小爬不动。