以下是使用Python实现梯度下降算法的示例代码：

import numpy as np

# 定义梯度下降函数
def gradient_descent(X, y, theta, alpha, num_iters):
    m = len(y)
    for iter in range(num_iters):
        # 计算预测值
        h = np.dot(X, theta)
        # 计算误差
        error = h - y
        # 更新参数
        theta = theta - (alpha/m) * np.dot(X.T, error)
    return theta

# 训练数据集
X = np.array([[1, 1], [1, 2], [1, 3], [1, 4]])
y = np.array([2, 3, 4, 5])
# 初始化参数
theta = np.zeros(2)
# 设置学习率和迭代次数
alpha = 0.01
num_iters = 1000

# 调用梯度下降函数进行训练
theta = gradient_descent(X, y, theta, alpha, num_iters)

print('训练得到的参数 theta:', theta)

这段代码实现了一个简单的线性回归模型，使用梯度下降算法来训练模型参数。训练数据集X包含两列特征，y是对应的目标值。在代码中，我们先定义了一个梯度下降函数gradient_descent，然后使用该函数进行训练，最后输出训练得到的参数theta。