前言：初步学习梯度下降， 不断根据梯度修改我们的参数，经过多次轮次得到使得我们损失函数最小的时候参数，后续我们可以通过类似的道理，更新我们的参数

假设我们的损失函数是 $y=x{1}^2+x{2}^2$,我们的 $x1$ 和 $x2$ 取什么值的时候能够让 $y$ 最小值

def fun(x):
    return x[0]**2 + x[1]**2

这是我们的损失函数

def numerical_gradient(fun,x):
    h = 1e-4
    grad = np.zeros_like(x)
    for i in range(len(x)):
        tmp = x[i]
        x[i] = tmp + h
        fxh1 = fun(x)
        
        x[i] = tmp - h
        fxh2 = fun(x)
        grad[i] = (fxh1 - fxh2)/(h*2)
        x[i] = tmp
    return grad

这是计算梯度

def gradient_descent(f,init_x,lr=0.001,step_num=100):
    x = init_x
    for i in range(step_num):
        grad = numerical_gradient(f,x)
        x -= lr * grad
    return x

上面是通过梯度进行数据的更新，朝着梯度的反方向进行改进

下面我们进行测试

最后我们的答案无限接近 $(0,0)$