1. 多引數模型

　　存在多個引數，模型更加複雜，在求梯度下降時需要對每個引數求偏導數，再同時更新引數

2， 特徵縮放

　　不同的特徵值的數值範圍不同，如下圖所示，將特徵值視覺化後，將形成一個細長的橢圓。而在梯度下降過程中，將可能需要花費長時間、並可能進行波動才能收斂。

為了解決這個問題，可以採用歸一化的思路，使其代價函式視覺化效果解決於圓形，使特徵值範圍在-1~1之間。吳老師對於-3~3，-1/3~1/3都是可以接受的

3. 均值歸一化

　　也是預處理中經常採用的一種特徵縮放的方法

4. 學習率

吳老師經驗：

（1）畫出梯度下降時，代價函式的數值，確保梯度下降起作用了

（2）對於不同的問題，梯度下降所需的迭代步數、需要的時間都不同，

（3）另外也可以通過一個自動化收斂測試方法檢測收斂情況，但是確定一個收斂的閾值並不容易

(4) 如果不收斂，採用更小的學習率

（5）以三的倍數進行多次嘗試