梯度下降算法是如何找到局部最小值的？

梯度下降算法是一种迭代优化算法，通过不断更新模型参数来寻找使目标函数最小化的参数值。在每一次迭代中，梯度下降算法计算目标函数的梯度，即函数在当前参数值处的斜率，然后沿着梯度的反方向更新参数值，使目标函数值不断减小。因为梯度的方向是函数在当前点上升最快的方向，所以沿着梯度的反方向更新参数值，可以使函数值不断减小，最终达到局部最小值。梯度下降算法可能会陷入局部最小值，但在实际应用中，通常可以通过调整学习率、初始化参数等方法来避免这种情况。