简单来说：梯度不是一个值，而是一个方向

为了克服多层感知机调参存在的问题，人们设计了一种名为delta（ [公式] ）法则（delta rule）的启发式方法，该方法可以让目标收敛到最佳解的近似值。 delta法则的核心思想在于，使用梯度下降（gradient descent）的方法找极值。

如果这个斜率越大，就表明其上升趋势越强劲。当这个斜率为0时，就达到了这个函数的“强弩之末”，即达到了极值点。在单变量的实值函数中，梯度可简单理解为只是导数，或者说对于一个线性函数而言，梯度就是曲线在某点的斜率。

对于多维变量的函数，梯度概念就不那么容易理解了，它就要涉及到标量场概念。

在向量微积分中，标量场的梯度，其实是一个向量场（vector field）。假设一个标量函数f的梯度记为： [公式] 或grad f，这里表示向量微分算子。那么，在一个三维直角坐标系，该函数的梯度就可以表示为公式： 对于多维变量函数而言，当求某个变量的导数时，就是把其它变量视为常量，然后整个函数求其导数（相比于全部变量，这里只求一个变量，即为“局部”）。之后，这个过程对每个变量都“临幸”一遍，放在向量场中，就得到了这个函数的梯度了。举例来说，对于3变量函数 [公式] ，它的梯度可以这样求得：

1）把y，z视为常量，得x的“局部导数”： （2） 然后把x，z视为常量，得y的“局部导数”：

（3） 最后把x，y视为常量，得z的“局部导数”：

于是，函数f的梯度可表示为：

针对某个特定点，如点A（1, 2, 3），带入对应的值即可得到该点的梯度： 对于函数的某个特定点，它的梯度就表示从该点出发，函数值增长最为迅猛的方向

所谓导数，就是用来分析函数“变化率”的一种度量。针对函数中的某个特定点x0，该点的导数就是x0点的“瞬间斜率”，也即切线斜率。

导数是一元函数的变化率（斜率）。导数也是函数，是函数的变化率与位置的关系。

如果是多元函数呢？则为偏导数。

偏导数是多元函数“退化”成一元函数时的导数，这里“退化”的意思是固定其他变量的值，只保留一个变量，依次保留每个变量，则𝑁元函数有𝑁个偏导数。

一个变量对应一个坐标轴，偏导数为函数在每个位置处沿着自变量坐标轴方向上的导数（切线斜率）。

更多详情可查看：https://zhuanlan.zhihu.com/p/43492827

方向导数的本质是一个数值，简单来说其定义为：一个函数沿指定方向的变化率。

构建方向导数需要有两个元素：

我们将下图看作是一座山的模型，我们处在山上的某一点处，需要走到山下。理论上来说，这座山的表面是可以通过一个函数的描述的（虽然想要找到这个函数可能很难），而这个函数可以在不同的方向上都确定出一个方向导数，这就好比于如果我们想下山，道路并不是唯一的，而是可以沿任何方向移动。区别在于有些方向可以让我们下山速度更快，有些方向让我们下山速度更慢，有些方向甚至引导我们往山顶走（也可以理解为下山速度时负的）。在这里，速度的值就是方向导数的直观理解。