以下是我机器学习教授提供的用于线性回归的梯度下降的Python实现。我认为我理解了它的工作原理，但是教授在讲座中提到，这并不是该算法的完整实现，因为它应该重复执行直到theta_0(m)和theta_1(c)收敛。他建议我们尝试修改这个实现，使其在收敛时停止，而不是在固定的轮次上，这样可以更熟悉这个算法，不过我还不太确定从哪里开始。有没有一些建议？

# 构建模型
m = 0
c = 0
L = 0.0001  # 学习率
epochs = 1000  # 执行梯度下降的迭代次数
n = float(len(X)) # X中的元素数量
# 执行梯度下降
for i in range(epochs):
    Y_pred = m*X + c  # 当前预测的Y值
    D_m = (-2/n) * sum(X * (Y - Y_pred))  # 相对于m的导数
    D_c = (-2/n) * sum(Y - Y_pred)  # 相对于c的导数
    m = m - L * D_m  # 更新m
    c = c - L * D_c  # 更新c
    print (m, c)

回答：

本质上，收敛是指损失值稳定在一个特定值上，即它变得或多或少是恒定的。因此，要在收敛时停止梯度下降，只需在每次梯度下降迭代中使用m和c的值计算成本函数（也称为损失函数）。你可以为损失设置一个阈值，或者检查它是否变得恒定，这就是你的模型收敛的时候。