梯度下降的框架主要分三种： 1，全量梯度下降。每次使用全部的样本来更新模型参数，优点是收敛方向准确，缺点是收敛速度慢，内存消耗大。 2，随机梯度下降。每次使用一个样本来更新模型参数，优点是学习速度快，缺点是收敛不稳定。 3，批量梯度下降。每次使用一个batchsize的样本来更新模型参数，平衡了全量梯度下降和随机梯度下降的方法。
