在最优化学习系列中，第一次就说的是牛顿法，但是那是在一维搜索上的，它其实就是将函数$f$在$x$处利用泰勒公式展开，得到它的近似函数，进而求解最小值。本节内容主要说明牛顿法在多维数据上的迭代公式。最优化学习笔记中讲到的最速下降法是一种速度比较快的优化方法，但是最速下降法只用到了函数的一阶导数，这种方法并不总是最高效的。而这里说的牛顿法用到了二阶导数，它的效率可能比最速下降法更优。
    当目标函数$f: \mathbb{R^n} \to \mathbb{R}$上二阶连续可微时，将函数$f$在$x^{(k)}$处进行泰勒展开，并且不考虑三阶及以上的项，那么可得到函数$f$的二阶近似项：

$$f(\boldsymbol{x}) \approx f(\boldsymbol{x}^{(k)}) + (\boldsymbol{x-{x}^{(k)}})^T\boldsymbol{g}^{(k)}+\frac{1}{2}(\boldsymbol{x-{x}^{(k)}})^T\boldsymbol{F(x^{(k)})}(\boldsymbol{x-{x}^{(k)}}) = q(\boldsymbol{x})$$
其中，$\boldsymbol{g}^{(k)} = \nabla f(\boldsymbol{x}^{(k)}), \boldsymbol{F(x^{(k)})}$是$f(\boldsymbol{x}^{(k)})$黑塞矩阵，将q应用局部极小点的一届必要条件：

$$\boldsymbol{0} = \nabla q(\boldsymbol{x}) =\boldsymbol{g}^{(k)} + \boldsymbol{F(x^{(k)})}(\boldsymbol{x-{x}^{(k)}})$$
如果 $\boldsymbol{F(x^{(k)})} > 0$, 则函数 $q$的极小值点为：
$$\boldsymbol{x}^{(k+1)} = \boldsymbol{x}^{(k)} -\boldsymbol{F(x^{(k)})} ^{-1}\boldsymbol{g}^{(k)}$$

     需要说明的是，在上述过程中，需要求解一个n<script type="math/tex" id="MathJax-Element-3483">n</script>维的线性齐次方程组，这对效率很有影响，应该设计一个更为高效的方法。如果黑塞矩阵是非正定的，那么牛顿法也将存在问题，后边也将会针对问题提出相应的修正方法。