前言

簡單介紹下python的幾個自動求導工具，tangent、autograd、sympy；

在各種機器學習、深度學習框架中都包含了自動微分，微分主要有這麼四種：手動微分法、數值微分法、符號微分法、自動微分法，這裡分別簡單走馬觀花（hello world式）的介紹下下面幾種微分框架；

sympy 強大的科學計算庫，使用的是符號微分，通過生成符號表達式進行求導；求得的導數不一定為最簡的，當函式較為複雜時所生成的表示式樹異常複雜；

autograd自動微分先將符號微分用於基本的運算元，帶入數值並儲存中間結果，後應用於整個函式；自動微分本質上就是圖計算，容易做很多優化所以廣泛應用於各種機器學習深度學習框架中；

tangent 為源到源（source-to-source）的自動微分框架，在計算函式f微分時他通過生成新函式f_grad來計算該函式的微分，與目前所存在的所有自動微分框架都有所不同；由於它是通過生成全新的函式來計算微分所以具有非常搞的可讀性、可調式性這也是官方所說的與當前自動微分框架的重大不同；

sympy 求導

 def grad():
   # 定義表示式的變數名稱
   x,y = symbols('x y')
   # 定義表示式
   z = x**2 +y**2
   # 計算z關於y對應的偏導數
   return diff(z,y)
 func = grad()

輸出結果表示式z的導函式z‘=2*y

print(func) 

把y 等於6 帶入計算 結果 為12

print(func.evalf(subs ={'y':3}))

Autograd求偏導

 import autograd.numpy as np
 from autograd import grad
 #表示式 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

 import tangent
 def fun(x,y):
  z=x**2+3*x*y+y**2
  return z

預設為求z關於x的偏導數

dy_dx = tangent.grad(fun)

輸出偏導數值為 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引數指定求關於某個引數的偏導數，下面為求z關於y的偏導數

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)

上面說了那麼多也沒體現出tangent的核心：源到源（source-to-source）

在生成導函式的時候加入verbose=1引數，即可看到tangent為我們生成的用於計算導數的函式，預設情況下該值為0所以我們沒感覺到tangent的求導與別的自動微分框架有什麼區別；

 def df(x):
   z = x**2
   return z
 df = tangent.grad(df,verbose=1)
 df(x=2)

在執行完上述程式碼後，我們看到了tangent為我們所生成用於求導數的函式：

 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函式就是所生成的函式，從中我們也可以看到表示式z的導函式z'=2 * x，tangent就是通過執行該函式用於求得導數的；

sympy 中的自動微分只是它強大的功能之一，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才釋出的自動微分方法也比較新穎，從17年發v0.1.8版本後也沒見發版，原始碼更新也不夠活躍；sympy、autograd比較成熟，tangent還有待觀察；

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支援我們。