最速下降法的影子在机器学习中正是无处不在，它简单实用。
一、表示
在最速下降法中，对权值向量w的连续调整是在最速下降的方向上，即它是与梯度向量方向相反的，梯度向量记为（1），简记（2）：
其中，η是一个正常数，称为步长或学习率参数。g(n)是在w(n)处的梯度向量值。在从迭代n到n+1的过程中算法应用修正。
二、证明
用w(n)附近的一阶泰勒级数展开来逼近，可写成（4）式
由（1）式得到（5）式，将（5）式代入（4）式，得到（6）式。显然是梯度下降的。
三、优缺点
缺点：局部极小值，而不是全局优化。只有目标函数是凸函数才是全局优化。
参考文献：《神经网络与机器学习》P59