這篇文章主要介紹python中有哪些自動微分庫，文中介紹的非常詳細(xì)，具有一定的參考價值，感興趣的小伙伴們一定要看完！
前言
簡單介紹下python的幾個自動求導(dǎo)工具，tangent、autograd、sympy；
在各種機(jī)器學(xué)習(xí)、深度學(xué)習(xí)框架中都包含了自動微分，微分主要有這么四種：手動微分法、數(shù)值微分法、符號微分法、自動微分法，這里分別簡單走馬觀花（hello world式）的介紹下下面幾種微分框架；
sympy 強(qiáng)大的科學(xué)計(jì)算庫，使用的是符號微分，通過生成符號表達(dá)式進(jìn)行求導(dǎo)；求得的導(dǎo)數(shù)不一定為最簡的，當(dāng)函數(shù)較為復(fù)雜時所生成的表達(dá)式樹異常復(fù)雜；
autograd自動微分先將符號微分用于基本的算子，帶入數(shù)值并保存中間結(jié)果，后應(yīng)用于整個函數(shù)；自動微分本質(zhì)上就是圖計(jì)算，容易做很多優(yōu)化所以廣泛應(yīng)用于各種機(jī)器學(xué)習(xí)深度學(xué)習(xí)框架中；
tangent 為源到源（source-to-source）的自動微分框架，在計(jì)算函數(shù)f微分時他通過生成新函數(shù)f_grad來計(jì)算該函數(shù)的微分，與目前所存在的所有自動微分框架都有所不同；由于它是通過生成全新的函數(shù)來計(jì)算微分所以具有非常搞的可讀性、可調(diào)式性這也是官方所說的與當(dāng)前自動微分框架的重大不同；
sympy 求導(dǎo)
重慶分公司
重慶分公司
def grad():
# 定義表達(dá)式的變量名稱
x, y = symbols('x y')
# 定義表達(dá)式
z = x**2 +y**2
# 計(jì)算z關(guān)于y對應(yīng)的偏導(dǎo)數(shù)
return diff(z, y)
func = grad()輸出結(jié)果表達(dá)式z的導(dǎo)函數(shù)z‘=2*y
print(func)
把y 等于6 帶入計(jì)算 結(jié)果 為12
print(func.evalf(subs ={'y':3}))Autograd求偏導(dǎo)
import autograd.numpy as np from autograd import grad #表達(dá)式 f(x,y)=x^2+3xy+y^2 #df/dx = 2x+3y #df/dy = 3x+2y #x=1,y=2 #df/dx=8 #df/dy=7 def fun(x, y): z=x**2+3*x*y+y**2 return z fun_grad = grad(fun) fun_grad(2.,1.)
輸出：7.0
tangent求導(dǎo)
import tangent def fun(x, y): z=x**2+3*x*y+y**2 return z
默認(rèn)為求z關(guān)于x的偏導(dǎo)數(shù)
dy_dx = tangent.grad(fun)
輸出偏導(dǎo)數(shù)值為 8 ，z' = 2 * x，此處x傳任何值都是一樣的
df(4, y=1)
可通過使用wrt參數(shù)指定求關(guān)于某個參數(shù)的偏導(dǎo)數(shù)，下面為求z關(guān)于y的偏導(dǎo)數(shù)
df = tangent.grad(funs, wrt=([1]))
輸出值為10 ,z' = 2 *y，此處x傳任何值都是一樣的
df(x=0, y=5)
上面說了那么多也沒體現(xiàn)出tangent的核心：源到源（source-to-source）
在生成導(dǎo)函數(shù)的時候加入verbose=1參數(shù)，即可看到tangent為我們生成的用于計(jì)算導(dǎo)數(shù)的函數(shù)，默認(rèn)情況下該值為0所以我們沒感覺到tangent的求導(dǎo)與別的自動微分框架有什么區(qū)別；
def df(x): z = x**2 return z df = tangent.grad(df, verbose=1) df(x=2)
在執(zhí)行完上述代碼后，我們看到了tangent為我們所生成用于求導(dǎo)數(shù)的函數(shù)：
def ddfdx(x, bz=1.0): z = x ** 2 assert tangent.shapes_match(z, bz), 'Shape mismatch between return value (%s) and seed derivative (%s)' % (numpy.shape(z), numpy.shape(bz)) # Grad of: z = x ** 2 _bx = 2 * x * bz bx = _bx return bx
ddfdx函數(shù)就是所生成的函數(shù)，從中我們也可以看到表達(dá)式z的導(dǎo)函數(shù)z'=2 * x，tangent就是通過執(zhí)行該函數(shù)用于求得導(dǎo)數(shù)的；
sympy 中的自動微分只是它強(qiáng)大的功能之一，autograd 從名字也可知它就是為了自動微分而生的，tangent初出茅廬2017年底Google才發(fā)布的自動微分方法也比較新穎，從17年發(fā)v0.1.8版本后也沒見發(fā)版，源碼更新也不夠活躍；sympy、autograd比較成熟，tangent還有待觀察；
以上是“python中有哪些自動微分庫”這篇文章的所有內(nèi)容，感謝各位的閱讀！希望分享的內(nèi)容對大家有幫助，更多相關(guān)知識，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道！
