用梯度下降法求解无约束优化问题，初始点为（0,0），求解精度为0.001的python代码

可以使用Python中的scipy.optimize.minimize函数，结合梯度下降法来求解无约束优化问题。具体的代码实现如下：

import numpy as np
from scipy.optimize import minimize

# 无约束优化函数
def f(x):
    return x[0]**2 + x[1]**2

# 梯度函数
def grad_f(x):
    return np.array([2*x[0], 2*x[1]])

# 初始点
x0 = [0, 0]

# 最小化目标函数
res = minimize(f, x0, method='BFGS', jac=grad_f, tol=1e-3)

# 输出结果
print(res)

在这段代码中，我们用到了`f(x)`和`grad_f(x)`两个函数，分别表示目标函数和目标函数的梯度。在scipy.optimize.minimize函数中，`method='BFGS'`表示使用拟牛顿法中的BFGS方法求解优化问题，`jac=grad_f`表示使用梯度函数来计算梯度。最后的`tol`参数表示求解精度，这里设置为0.001。

以上是求解无约束优化问题，如果您的问题是其他类型的优化问题，可以根据具体情况调整代码。