导数与梯度

它在 AI 中解决什么问题？

占位说明：解释 loss 如何随参数变化，以及梯度为什么能指示参数更新方向。

核心概念

• 待补：derivative
• 待补：gradient
• 待补：local approximation

关键公式

待补：${\mathrm{\nabla }}_{\theta }\mathcal{L}(\theta )$、${\theta }_{t+1}={\theta }_t-\eta {\mathrm{\nabla }}_{\theta }\mathcal{L}({\theta }_t)$。

它出现在模型的哪里？

• 待补：gradient descent
• 待补：optimizer update
• 待补：training dynamics

后续需要补充

• 待补：定义
• 待补：直觉
• 待补：例子
• 待补：常见误区