1.  关于牛顿法的疑惑

        

为什么这里使用到了海参矩阵就可以快速的收敛呢？

原因：

        1. 当一个位置斜率变化较大时，说明海参矩阵的值比较大（注意是斜率变化，不是函数值变化），那相应的inv(H)的值就会比较小，这个时候步进会慢些

        2. 当一个位置比较平缓，斜率变化较小时，说明H矩阵值小，相应的inv(H)会比较大，步进会比较大

上述两点，相对于梯度下降法来说，尤其好理解的是，平缓区域的时候，梯度下降法步进会很慢，收敛也就相应的比较慢，但是牛顿法却很快

2. 关于初始值的疑惑

        为什么拟合一定要有一个初始值，既然迭代一定会逼近一个极值的话，那不是不需要一个初始值，随便指定一个值不就好了？

个人理解，如果有错误，烦请指正，谢谢~~

其实，如果是求一个函数模型的极值点的话，是可以的，为什么，因为你选择的点一定能带入公式得到一个值（不说那些奇异的函数，比如 xxx/a，然后给a一个0的初始值，这里仅供理解），然后逐步迭代就好了。

但是拟合的话，就不同了

咦？不对呀，写着写着突然感觉不对，因为最小二乘拟合的话，也是一个函数呀
比如需要拟合的函数是

 

那对于这个函数 f 来说，不一样的可以随意估计一个初始值然后让它迭代收敛吗？

上面需要预估4个参数，A、s、t0、u

是不是自己在实现过程中，预估参数太多导致摁下葫芦起了瓢，才导致的不能够随意指定初始值的？

测试步骤：

        1. 按照A、s、t0、u生成一个标准的曲线

        2. 将标准曲线的值，和生成曲线的A、s、t0输入到LM算法中，u设置一个别的值

结果：

        无法预估出结果，为什么？