梯度就像登山时脚下的小斜坡，拉梯度就是顺着这个斜坡往山顶走。比如我们有个函数图像，山顶是损失最小值，脚下是当前损失值。每次拉梯度都会让损失值往山顶方向挪动，就像爬山时每一步都往高处走。但要注意坡度方向，如果梯度是负的往低处拉，就会离山顶越来越远。

为什么梯度要往高处拉呢？因为梯度是损失函数的"陡峭程度"和"方向"。假设损失函数在某个点的梯度是正的，说明往右走会变高，往左走会变低。这时候拉梯度就要往左走（梯度方向相反），就像往-0.5的梯度方向走，每步减少0.1的损失值。根据公式Δx = -η∇L，当梯度是0.5时，更新量Δx就是-0.5×η。比如用η=0.1，实际更新量是-0.05，这样损失值就会从5.2降到5.1。经过100次迭代，损失值从初始的100降到约3.7，每次迭代都往山顶靠近。但要注意如果梯度是负的，比如-0.3，就要往右走，这时候更新量Δx就是0.3×η，这样损失值才会减少。所以梯度方向决定了我们该往哪个方向走，正负梯度对应着不同的移动方向，就像登山时根据斜坡方向调整路线。