网上看到这句话“中期以及现在最普及的就是引入动量因子：
Δxt=ρΔxt−1−η⋅gt
ρ为动量因子，通常设为0.9
在更新中引入0.9这样的不平衡因子，使得：
★在下降初期，使用前一次的大比重下降方向，加速。
★在越过函数谷面时，异常的学习率，会使得两次更新方向基本相反，在原地”震荡“
此时，动量因子使得更新幅度减小，协助越过函数谷面。
★在下降中后期，函数面局部最小值所在的吸引盆数量较多，一旦陷进吸引盆当中，
Gradient→0
Gradient→0
，但是前后两次更新方向基本相同。
此时，动量因子使得更新幅度增大，协助跃出吸引盆。”
我想问的是：
1、Δxt是否就是每次训练的负梯度，那gt又是代表什么。
2、“谷面”和“吸引盆”感觉好像一个意思，这个有啥区别。
3、Gradient代表什么
迭代正常写是x[t+1] = x[t] - η * g[t]，η是学习率，g[t]是梯度。
转换下：Δx[t] = x[t+1] - x[t] = - η * g[t]
加入动量（momentum）后的更新公式为
Δx[t] = - η * g[t] + ρ * Δx[t-1]
如楼上所说，吸引盆（这个名字谁起的）和谷面应该都是局部最优解的意思。
比较直观的作用是：
1）假如现在x[t]靠近局部最优解，那么不带动量的Δx[t-1]和Δx[t]的方向应该是一致的，加上动量的话，就会加强Δx[t]在这个方向的更新力度，有助于
帮助跳出局部最优解；
2）训练刚开始时，参数离局部最优解（或全局）位置都比较远，这个时候学习率和梯度都比较大，Δx[t-1]和Δx[t]的方向很大概率时不一致的，不加动量的话，x[t]容易乱跳，而加上动量，Δx[t-1]能够抵消一部分Δx[t]，缓解这种现象。
以上是我自己的理解。。。
g是Gradient，梯度。gt就是第t次的梯度。Δxt是第t次的x的变化量
谷面相当于局部最优点，但不是全局最优点，吸引盆和谷面是一个意思。