梯度下降「下山」演算器
从随机起点出发，沿梯度反方向一步步挪动参数，滑到损失谷底。
调学习率 η与起点，点「迭代」逐步走：核心更新式
θ ← θ − η∇L。第2章《损失函数与梯度下降》。
当前状态
步数 t0
参数 θ—
损失 L(θ)—
梯度 ∇L—
学习率 η—
状态：就绪
调好参数后点「迭代一步」开始下山。
本步更新（θ ← θ − η∇L）
θ ← θ − η · ∇L
—
梯度指向上坡方向，减去它就朝下坡走。
一句话直觉：梯度下降就是「摸黑下山」——脚下最陡的上坡是 ∇L，反着迈一步 −η∇L 就下降。 步子（η）太大会在谷底两侧来回震荡甚至发散，太小则收敛慢，恰当才能平滑滑到谷底。