寻找最大值和最小值点

函数 $f(x)$ 的导数 $f'(x)$ 描述了在任意给定点 $x$ 处的瞬时变化率，或切线的斜率。斜率的这个概念是识别函数图上特定点（如峰值和谷值）的基础。

想象一下沿着由函数 $f(x)$ 表示的丘陵小路行走。当你到达山顶（最大值点）或山谷底部（最小值点）时，会有一段短暂的时刻，脚下的路径是平坦的，也就是水平的。水平路径的斜率为零。

这个直觉直接对应于微积分。如果一个光滑函数 $f(x)$ 在点 $x = c$ 处达到局部最大值或局部最小值，并且在该点导数存在，那么在该点处的切线斜率必定为零。用数学表示就是：

$f'(c) = 0$

导数为零（或无定义，尽管我们目前主要关注零）的点被称为 临界点。这些临界点是局部最大值或最小值可能出现的 候选点。

可视化平坦的斜率

考虑函数 $f(x) = x^2 - 4x + 5$。这是一个抛物线。我们来用上一章学到的幂规则以及和/常数规则找到它的导数：

$f'(x) = \frac{d}{dx}(x^2 - 4x + 5) = 2x - 4 + 0 = 2x - 4$

现在，我们通过将导数设为零来找到斜率为零的位置：

$f'(x) = 0$ $2x - 4 = 0$ $2x = 4$ $x = 2$

这告诉我们，当 $x = 2$ 时，函数的斜率为零。我们来看图表：

该图显示了抛物线 $f(x) = x^2 - 4x + 5$。红点标记 (token)了在 $(2, 1)$ 处的最小值点。红色虚线是该点的切线，它是水平的，表明斜率为 $f'(2) = 0$。

过程：寻找最大值和最小值的候选点

那么，为函数 $f(x)$ 寻找最大值或最小值（即临界点）的潜在位置的一般过程包含以下步骤：

1. 计算导数：找到导函数 $f'(x)$。
2. 将导数设为零：将导数设为零：$f'(x) = 0$。
3. 解出 x：解出所得到的关于 $x$ 的方程。你找到的 $x$ 值就是临界点。

有必要记住，找到 $f'(x) = 0$ 只会给你 候选点。虽然这些点通常对应于局部最大值或最小值，但它们偶尔也可能是其他类型的点（例如曲线暂时变平然后继续朝同一大致方向的拐点）。对于我们在机器学习 (machine learning)优化中的目标，我们通常是在寻找最小值，而 $f'(x) = 0$ 这个条件是找到它的主要起点。

这对机器学习 (machine learning)有何作用？

寻找导数为零的这个步骤不只是一个数学练习。它构成了许多机器学习算法如何“训练”的根本。

设想你有一个机器学习模型，你定义了一个 成本函数（也称为损失函数 (loss function)）。这个函数衡量模型预测与实际数据相比的“好坏”。值高表示模型表现不佳；值低表示模型表现良好。

训练模型的目的是调整其内部参数 (parameter)，使成本函数尽可能小，理想情况下达到其最小值。如果我们可以将成本表示为模型参数的函数，我们就可以使用微积分来找到使此成本最小化的参数值。找到成本函数导数为零的位置，有助于我们定位这个最小误差状态，从而根据我们选择的成本衡量标准，获得最佳可能的模型性能。

在接下来的部分，我们将考察成本函数和特定算法——梯度下降 (gradient descent)，该算法迭代地使用导数来找到这些最小值点，即使直接求解 $f'(x)=0$ 困难或不可能。