如何在Keras中计算n维函数的n阶导数？附二元函数示例

针对你提到的二元函数（比如z = x² + y²），下面是用Keras的Lambda层计算任意n阶导数的完整实现方案，我会把逻辑拆解开讲清楚：

1. 定义目标二元函数 #

首先我们用Keras的层来构建目标函数，这样才能利用Keras的自动求导能力：

from keras.layers import Lambda, Add
import keras.backend as K

def bivariate_function(x, y):
    x_squared = Lambda(lambda u: K.pow(u, 2))(x)
    y_squared = Lambda(lambda u: K.pow(u, 2))(y)
    return Add()([x_squared, y_squared])

这里我把原代码里的y3改成了y_squared，修正了笔误，更贴合x² + y²的函数逻辑。

2. 构建通用导数计算函数 #

接下来写一个可复用的导数计算函数，用Lambda层封装Keras的K.gradients()接口：

def compute_derivative(output, input_tensor):
    # 用Lambda层包装梯度计算，返回导数张量
    return Lambda(lambda u: K.gradients(u[0], u[1]))([output, input_tensor])

原代码里函数名和调用名不一致（函数叫derivative却用grad调用），这里统一成compute_derivative，避免混淆。

3. 计算各阶导数的示例 #

先定义输入张量，再逐层计算各阶导数：

from keras.layers import Input

# 定义输入张量
x = Input(shape=(1,))
y = Input(shape=(1,))

# 计算原函数
f = bivariate_function(x, y)

# 一阶导数
df_dx = compute_derivative(f, x)  # 对应2x
df_dy = compute_derivative(f, y)  # 对应2y

# 二阶导数
df_dx2 = compute_derivative(df_dx, x)  # 对应2
df_dy2 = compute_derivative(df_dy, y)  # 对应2

# 更高阶导数以此类推，比如三阶导数就是对二阶导数再求导
df_dx3 = compute_derivative(df_dx2, x)  # 对应0

关键说明 #

• Keras的K.gradients()会返回一个列表，所以Lambda层的输出也是列表形式，如果需要单个张量，可以修改函数为return Lambda(lambda u: K.gradients(u[0], u[1])[0])
• 所有运算必须使用Keras后端（K.*）的函数，不能用原生Python或NumPy运算，否则无法追踪梯度计算图

内容的提问来源于stack exchange，提问作者Lucas Farias