批量梯度低落算法（Batch Gradient Descent）

批量梯度低落算法是最基本的梯度低落算法，它在每次迭代中利用全部的演习数据来打算梯度，然后更新模型参数。
批量梯度低落算法的优点是收敛速率较快，但缺陷是在处理大规模数据集时，打算梯度的韶光和空间繁芜度较高。

随机梯度低落算法（Stochastic Gradient Descent）

随机梯度低落算法是一种在线学习算法，它在每次迭代中随机选择一个样本来打算梯度，然后更新模型参数。
随机梯度低落算法的优点是打算梯度的韶光和空间繁芜度较低，适用于处理大规模数据集，但缺陷是收敛速率较慢，且可能会涌现震荡征象。

小批量梯度低落算法（Mini-Batch Gradient Descent）

小批量梯度低落算法是批量梯度低落算法和随机梯度低落算法的折上钩划，它在每次迭代中选择一小部分样本来打算梯度，然后更新模型参数。
小批量梯度低落算法的优点是打算梯度的韶光和空间繁芜度较低，收敛速率较快，且可以利用矩阵运算的并行性加速打算。

动量梯度低落算法（Momentum Gradient Descent）

动量梯度低落算法是一种基于动量的优化算法，它在每次迭代中利用之前的梯度信息来调度当前的梯度方向，从而加速收敛。
动量梯度低落算法的优点是可以战胜梯度低落算法在凸函数中的震荡征象，且可以加速收敛，但缺陷是可能会导致过度调度，使模型参数跳过最优点。

自适应梯度低落算法（Adaptive Gradient Descent）

自适应梯度低落算法是一种基于梯度信息的自适应优化算法，它通过调度学习率来适应不同的梯度情形，从而加速收敛。
自适应梯度低落算法的优点是可以自动调节学习率，适应不同的梯度情形，但缺陷是可能会导致过度调度，使模型参数跳过最优点。

综上所述，批量梯度低落算法、随机梯度低落算法、小批量梯度低落算法、动量梯度低落算法和自适应梯度低落算法是常见的梯度低落算法。
在实际运用中，选择得当的梯度低落算法须要考虑数据集大小、模型繁芜度、收敛速率等成分。