python输出梯度下降损失函数

在Python中，可以使用NumPy和SciPy库来实现梯度下降算法。下面是一个简单的例子，展示了如何使用梯度下降算法来最小化Rosenbrock函数的损失函数：

import numpy as np
from scipy.optimize import minimize

# 定义Rosenbrock函数
def rosenbrock(x):
    return (1 - x[0])**2 + 100 * (x[1] - x[0]**2)**2

# 定义损失函数
def loss_function(theta):
    return rosenbrock(theta)

# 初始化参数
theta = np.array([0, 0])

# 使用梯度下降算法最小化损失函数
result = minimize(loss_function, theta, method='CG', options={'maxiter': 1000})

# 输出最小化损失函数的结果
print(result)

在上面的代码中，我们首先定义了Rosenbrock函数和损失函数。然后，我们初始化了参数theta，并使用SciPy库中的minimize函数来最小化损失函数。在这个例子中，我们使用了共轭梯度法（CG）作为优化算法，并设置了最大迭代次数为1000。最后，我们输出了最小化损失函数的结果。