最土梯度下降算法（导数下降）

先上代码，日后详解

梯度下降算法

一个变量

代码实现：

#梯度下降==导数下降
import matplotlib.pyplot as plt
import numpy as np

# f(x)=x^2    目标函数
# f'(x)=2*x   梯度函数：一阶导数函数

#梯度下降算法是一个方法，是帮助我们找极值点的方法    凸函数

def targetFunc(x):
    return x**2
    pass

def gradientFunc(x):
    return 2*x
    pass

listx = []

#猜测的过程
def grandientCal(initX,targetFunc,gradientFunc,rating=0.1,tolent=0.0001,times=5000): 
    '''
    :param initX: 猜测的点
    :param targetFunc: 目标函数
    :param gradientFunc: 梯度函数
    :param rating: 步进系数(移动的距离)
    :param tolent: 收敛条件（极小）
    :return: 返回极值点的x值
    '''
    result = targetFunc(initX)    #计算出initX点的实际值（值）
    # gradientresult = gradientFunc(initX)     #计算出initX点的斜率（导数/梯度）
    listx.append(initX)
    newX = initX - rating* gradientFunc(initX)
    newresult = targetFunc(newX