PyTorch学习（二）——使用numpy和PyTorch分别实现梯度下降法

1. 梯度下降法介绍

梯度下降法简单来说就是一个迭代优化算法，目的是找到函数的局部最小值，该算法与最小二乘法相似，用于求解线性回归问题，但梯度下降的意义在于通过寻找梯度最大的方向下降（或上升），来找到损失函数最小时所对应的参数值。
梯度下降法有成熟的推导步骤与求解公式，并且有三种不同的实现类型：
参考资料：梯度下降法介绍及python实现
① 批量梯度下降（BGD）：每次使用全量的训练集样本来更新模型参数，得到的是全局最优解，但样本数目很多时，训练过程会很慢。
② 随机梯度下降（SGD）：每次从训练集中随机选择一个样本来进行迭代，快速并可进行在线更新，但可能得到的是局部最优。
③ Mini-batch梯度下降算法：在每次更新速度与更新次数中间取得一个平衡，每次更新从训练集中随机选择n个样本来进行学习。
接下来将分别使用numpy和PyTorch实现批量梯度下降。

2. numpy实现梯度下降法

原文链接：梯度下降法介绍及python实现
下面代码将分成三个部分，将三个部分拼在一起就是完整代码，不会有任何缺漏。

2.1 设定初始值

import numpy as np
from scipy import stats
import