какая-то хуета, выдающая рандомные числа

def numerical_derivative_2d(func, epsilon):
    """
    Функция для приближённого вычисления градиента функции двух переменных.
    :param func: np.array[2] -> float — произвольная дифференцируемая функция
    :param epsilon: float — максимальная величина приращения по осям
    :return: другая функция, которая приближённо вычисляет градиент в точке
    """
    def grad_func(x):
        """
        :param x: np.array[2] — точка, в которой нужно вычислить градиент
        :return: np.array[2] — приближённое значение градиента в этой точке
        """

        return np.array([(func([x[0] + epsilon, x[1]]) - func(x)) / epsilon, (func([x[0], x[1] + epsilon]) - func(x)) / epsilon])

    return grad_func


def grad_descent_2d(func, low, high, start=None, callback=None):
    """
    Реализация градиентного спуска для функций двух переменных

    Обратите внимание, что здесь градиент функции не дан.
    Его нужно вычислять приближённо.

    :param func: np.ndarray -> float — функция
    :param low: левая граница интервала по каждой из осей
    :param high: правая граница интервала по каждой из осей
    """

    def find_local_min(df, low_local, high_local, iters=5000, lr=0.01):
        x = np.array(np.random.uniform(low, high, 2), dtype=float)
        grad = df(x)

        while iters > 0:
            # if low_local <= x[0] - eps * grad[0] <= high_local and low_local <= x[1] - eps * grad[1] <= high_local:
            x[0] = x[0] - eps * grad[0]
            x[1] = x[1] - eps * grad[1]
            # print(x)
            grad = df(x)
            iters -= 1
        callback(x, func(x))

        return x

    eps = 1e-2
    iters = 500
    df = numerical_derivative_2d(func, eps)

    estimates = np.empty((0, 2), dtype=float)
    segment = (high - low) / 60

    while low < high:
      estimates = np.vstack([estimates, find_local_min(df, low, low + segment, lr=eps)])
      low += segment

    y = np.min(func(estimates))
    print(estimates[:])
    best_estimate = estimates[np.where(func(estimates) == y)[0]][0]
    callback(best_estimate, func(best_estimate))

    return best_estimate