使用Numpy实现指定二元高度函数单点梯度的方法咨询

核心原理 #

梯度是多元函数对各自变量的偏导数组成的向量，针对本题的二元高度函数h(x,y)，梯度就是(∂h/∂x, ∂h/∂y)，即分别求x方向、y方向的偏导后，代入当前(x,y)取值得到的两个数值组成的数组。

h(x,y) = x*y**2*(sin(π*x) + cos(2π*y))

#

实现方案选择说明 #

不推荐的方案：适配np.gradient #

np.gradient是为离散数组设计的数值梯度计算工具，需要至少连续3个点的采样值才能通过差分计算梯度。如果只有单个点，硬造适配的数组反而需要额外生成周边采样点，步骤冗余、精度不可控，完全没必要。

可选方案1：解析法（优先推荐） #

手动推导两个偏导数的显式表达式，直接代入x、y计算即可：

• 利用乘积求导法则、三角函数导数规则、链式法则推导∂h/∂x和∂h/∂y的公式
• 直接用numpy提供的np.sin、np.cos、np.pi等工具实现公式计算
• 优势：精度最高、计算速度最快，适合本题有明确函数表达式的场景

可选方案2：数值差分法 #

如果不想推导公式可以用该方案，通过微小扰动近似计算偏导：

• 取一个极小的扰动值epsilon（推荐取值1e-6~1e-8）
• x方向偏导近似为：(h(x+epsilon, y) - h(x-epsilon, y)) / (2*epsilon)
• y方向偏导近似为：(h(x, y+epsilon) - h(x, y-epsilon)) / (2*epsilon)
• 优势：不需要推导公式，适合黑盒函数的梯度计算；劣势：精度受epsilon取值影响，计算速度略慢

函数实现框架 #

import numpy as np
def gradient(x,y):
    # 自行选择上述两种方案之一实现，返回dx, dy组成的数组即可

内容的提问来源于stack exchange，提问作者Bluetail