根据梯度动态调整权重，给出代码

以下是一个简单的梯度下降的代码实现：

import numpy as np

# 定义损失函数
def loss_function(y_pred, y_true):
    return np.mean((y_pred - y_true) ** 2)

# 定义梯度下降函数
def gradient_descent(X, y, learning_rate=0.01, num_iterations=1000):
    # 初始化权重和偏置
    w = np.zeros(X.shape[1])
    b = 0
    # 迭代训练
    for i in range(num_iterations):
        # 计算预测值
        y_pred = np.dot(X, w) + b
        # 计算梯度
        dw = np.dot(X.T, (y_pred - y)) / X.shape[0]
        db = np.mean(y_pred - y)
        # 更新权重和偏置
        w -= learning_rate * dw
        b -= learning_rate * db
        # 打印损失函数值
        if i % 100 == 0:
            print("Iteration %d, loss = %f" % (i, loss_function(y_pred, y)))
    return w, b

在这个例子中，我们使用一个简单的线性回归模型来演示梯度下降的过程。`gradient_descent` 函数中，我们首先初始化权重和偏置，然后对模型进行迭代训练，每次迭代中根据预测值和真实值计算梯度，并根据学习率和梯度信息更新权重和偏置。最后，我们输出训练过程中损失函数的值，可以看到在迭代过程中损失函数逐渐减小，说明模型的拟合效果逐渐变好。