如何构建支持Numpy与CasADi双后端的Python科学计算库？

1. 项目结构分层设计 #

• 核心逻辑层：将自然坐标力学相关的类、算法、通用逻辑放在my_package/core/目录，完全脱离具体后端的API调用，只依赖统一的后端接口
• 后端适配层：在my_package/backends/下分别创建numpy_backend.py和casadi_backend.py，封装对应后端的数学操作、类型判断、特殊方法
• 入口模块：my_package_numpy.py和my_package_casadi.py作为启动入口，负责加载对应后端并初始化全局上下文

示例项目结构：

my_package/
├── core/
│   ├── mechanics.py       # 自然坐标力学核心类与函数
│   └── backend_proxy.py   # 后端代理类，统一调度后端操作
├── backends/
│   ├── numpy_backend.py
│   └── casadi_backend.py
├── my_package_numpy.py
└── my_package_casadi.py

2. 后端代理与全局上下文 #

• 实现BackendProxy类（位于core/backend_proxy.py），提供统一的API接口，比如array()、dot()、sin()、is_symbolic()等，核心代码仅通过这个类调用后端操作
• 两个入口模块分别初始化对应后端实例并绑定到全局代理：
  • my_package_numpy.py导入NumpyBackend，设置为全局代理的当前后端
  • my_package_casadi.py导入CasadiBackend，完成同样的绑定操作

示例代码片段：

# backends/numpy_backend.py
import numpy as np

class NumpyBackend:
    def array(self, data):
        return np.array(data)
    def dot(self, a, b):
        return np.dot(a, b)
    def is_symbolic(self, obj):
        return isinstance(obj, np.ndarray) is False  # 数值类型返回False
    # 封装其他所需数学操作...

# my_package_numpy.py
from my_package.backends.numpy_backend import NumpyBackend
from my_package.core.backend_proxy import backend_proxy
from my_package.core import mechanics

# 设置全局后端
backend_proxy.set_backend(NumpyBackend())

# 导出核心模块，让用户直接调用
__all__ = ['mechanics']

3. 类型兼容与统一处理 #

• 核心代码中所有涉及数组/符号对象的操作，全部通过BackendProxy执行，不直接调用numpy或casadi的原生方法
• 类的初始化方法接受任意后端的输入对象，通过backend_proxy的类型判断方法识别类型，统一转换为后端兼容的格式

示例核心类实现：

# core/mechanics.py
from .backend_proxy import backend_proxy

class NaturalCoordinateSystem:
    def __init__(self, coords):
        self.coords = backend_proxy.array(coords)  # 统一转换为后端兼容对象
    
    def compute_kinetic_energy(self, mass_matrix):
        # 自动适配numpy或casadi的点积操作
        v = backend_proxy.dot(mass_matrix, self.coords)
        return 0.5 * backend_proxy.dot(self.coords.T, v)

4. 代码复用与冗余规避 #

• 所有通用逻辑（比如力学公式推导、算法流程）都放在核心模块，仅在后端适配层处理差异
• 保持两个后端适配类的方法签名一致，核心代码无需修改即可适配不同后端
• 针对后端特有操作（如casadi符号求导、numpy数值优化），在BackendProxy中添加专门方法，核心代码按需调用：

# backends/casadi_backend.py
import casadi as cs

class CasadiBackend:
    def gradient(self, func, vars):
        return cs.gradient(func, vars)

# backends/numpy_backend.py
class NumpyBackend:
    def gradient(self, func, vars):
        # 用数值求导实现对应功能
        import numdifftools as nd
        return nd.Gradient(func)(vars)

5. 额外实用建议 #

• 编写统一测试用例，分别用两个后端运行，验证核心逻辑的一致性
• 核心代码避免依赖特定后端特性，比如不直接使用numpy广播或casadi符号属性，全部通过代理封装
• 添加类型提示，帮助用户明确输入输出类型，同时支持IDE自动补全
• 可补充后端自动检测功能（根据输入对象类型自动切换后端），作为显式导入的补充

内容的提问来源于stack exchange，提问作者Pierre