思路
感知机使用分类函数：
sign(w⋅x+b)
对于样本 (xi,yi)，若分类错误，则有：
P4933.第2题-感知机梯度下降实现
题目内容
某电商网站准备推广先用后买购物模式，经过调研，准备使用感知机对一部分用户进行过滤。
给定一个二维坐标下的训练数据集 T={(x11,x12),(x21,x22),…,(xn1,xn2)}，二分类标签取值范围 yi={1,−1},i=1,2,3...N，使用感知机 sign(w⋅x+b) 进行二分类，损失函数定义为错误分类点到超平面的总距离，其中输入空间中的任一点 x0 到超平面的距离可以表示为：
∣∣w∣∣1∣w⋅x0+b∣
其中 ∣∣w∣∣ 是 w 的 L2 范数。
对于错误分类的点，当 w⋅xi+b>0 时，yi=−1，当 w⋅xi+b<0 时，yi=1，所以可以推出一个重要的结论：
−yi(w⋅xi+b)>0
成立。
那么可以得到，所有错误分类的点到超平面的总距离为：
−∣∣w∣∣1∑yi(w⋅xi+b)
进一步地，可以得到感知机的损失函数为：
Loss(w,b)=−∑yi(w⋅xi+b)
请根据题目描述，结合输入和输出信息以及补充说明的提示，使用梯度下降法，完成对 w,b 的参数更新。
提示:
(1)需要根据随机梯度下降法推导出 w,b 的梯度下降表达式；
(2)根据损失函数的定义，每次迭代中，需要对所有样本进行遍历，但是分类正确的样本无需执行梯度下降，只有分类错误的样本执行。
(3)请认真阅读补充说明中的内容。
输入描述
输入是 2 个 list，第一个 list 是一个二维 list，用来表示训练数据，每个子 list 的最后一个元素表示二分类标签 yi={1,−1},i=1,2,3...N，集合中的元素表示样本在二维坐标下的特征。第二个 list 表示训练感知机所需要的超参数，分别代表迭代次数和学习率。
输出描述
请给出在给定迭代次数和学习率下，使用随机梯度下降法对参数 w,b 的更新结果，返回值类型为 list，长度为 3(2 个 w 权重和 1 个 b 权重)
补充说明
(1)可以使用形如 numpy、pandas 等第三方 Python 库；
(2)为了简化计算难度，仅使用二维坐标下的数据点作为特征，并且 w,b 均初始化为 0；
(3)请注意，只有错误样本下会执行梯度下降，且 w,b 都最多保留小数点后 3 位；
(4)为了保证唯一性，请严格遵循输入输出描述进行作答。
(5)形如 sys.stdin 等方法结合 for 循环和 eval 函数即可读取并还原输入数据。
样例1
输入
[[(1,2),1],[(3,4),-1]]
[20,0.1]
输出
[-0.5,0.2,0.7]
说明
输入第一个 list 是给定的训练数据和标签，第二个 list 是训练参数，输出是给定的迭代次数和学习率下的参数 w,b 更新结果。
