梯度（gradient）

再次站到那座高度取決於你東西位置和南北位置的小山上。在你腳下，存在一個地面爬升最陡的方向——就像水若倒流、向上坡奔湧時會走的方向。梯度正是一個恰好指向那個方向的箭頭：增長最快的方向。它的長度告訴你這條最陡上坡有多陡。從它轉過九十度，你就沿著等高線行走，既不升也不降。

用數學語言說，函數 f(x, y, ...) 的梯度把它所有的偏導數捆成一個向量：grad f = (∂f/∂x, ∂f/∂y, ...)，常用倒三角符號寫作 ∇f。每個分量是沿某一座標軸的斜率；合在一起就拼出那個唯一的最陡上升方向，而且梯度始終垂直於 f 保持不變的那些等值線或等值面。

這個概念是現代最佳化與機器學習的引擎。要尋找代價函數的極小值——比如訓練一個模型——你就反覆沿梯度的相反方向、向下坡邁步，這套做法叫梯度下降。一個誠實的提醒：梯度只描述腳下這一小片地形的走勢。一路順著它下坡，可能讓你停在附近某個低谷裡，而那並不是全域最低點。