一、梯度检测：
对于函数而言通常有两种计算梯度的方式：
１.数值梯度 (numberical gradient)
２.解析梯度 (analytic gradient )
数值梯度计算通常为：
更为常见的是：
h是一个很小的数，在实际当中通常为1e-5
假设数值梯度为ƒ’a 解析梯度为ƒ’n ，则数值梯度和解析梯度的误差relative error:
relative error >1e-2 通常情况梯度是错误的
1e-4 < relative error < 1e-2 并不是很好
relative error < 1e-4 对于有拐点的函数是ok的，但是如果没有拐点（如tanh nonlinearities and softmax）,1e-4 太高了
relative error 或者更小最好
警告：建议使用双精度来进行梯度检测
有拐点的函数例如 ReLU(max(0,x)) 或者SVM loss
h并不是越小越好，h太小容易出现精度问题，h通常在1e-4到 1e-6
正则化容易将改变原先的梯度，最好是先进行梯度计算，然后在正则化梯度计算
梯度下降检测时不要进行dropout