对于人工智能代码的一些注释，便于理解

import numpy as np
data = np.array([
   [80,200],
   [90,230],
   [104,245],
   [112,274],
   [125,259],
   [135,262]
])#将data数据集转换为 NumPy 数组
# 设置初始斜率和截距
m=1
b=1
# 将自变量和因变量从数据集中提取出来
xarray=data[:, 0]
yreal = data[:,-1]
# 学习率设置为 0.001
（注意一会删掉这行），需要learningrate更改三个数值，0.001，0.0001，0.00001
learningrate = 0.001
#grandentdecent() 函数计算当前斜率和截距下的损失函数的梯度，即 MSE对截距和斜率的偏导数
#m是斜率，b是截距
def grandentdecent():
   bslop = 0
   for index, x in enumerate(xarray):
       bslop = bslop +m*x+b- yreal[index]
   bslop = bslop*2/len (xarray)

   mslop=0
   for index, x in enumerate(xarray):
       mslop = mslop +m*x+b- yreal[index]
   mslop = mslop*2/len(xarray)

   return (bslop, mslop)
#train() 函数则是执行了 10次循环
def train():
   for i in range(1,10):
       bslop,mslop = grandentdecent()#计算每个数据点对斜率和截距的偏导数之和，并除以数据量得到平均值，从而得到了均方误差的偏导数
       global m
       m = m - mslop*learningrate
       global b
       b=b- bslop*learningrate
       if (abs(mslop)<0.5 and abs (bslop)<0.5):
           break
   print('m={},b={}'.format(m,b))

if __name__=='__main__':
   train()