Python矩阵函数梯度计算问题：numpy.gradient返回空列表求助

首先咱们来理清问题出在哪：你调用np.gradient(function(x))的时候，function(x)返回的是一个标量值（当x=(1,1)时，计算结果是3），而np.gradient是用来处理数组的梯度计算，给它一个标量的话，没有维度可以求导，自然就返回空列表了。

先明确解析解的梯度公式 #

对于你的函数 ( h(x) = 0.5 x^T A x + b^T x )，其梯度的解析解是 ( \nabla h(x) = A x + b )。因为你设置的A是主对角线为1的2×2对角矩阵，所以( A x = x )，加上全1的b，当x=(1,1)时，梯度确实是(2,2)，和你的预期一致。

解决方案1：手动实现解析梯度（最准确高效） #

直接根据公式写梯度函数，这是最推荐的方式，没有数值误差：

import numpy as np

# 初始化A和b
A = np.zeros((2, 2))
n = A.shape[0]
A[range(n), range(n)] = 1
b = np.ones(2)

# 原目标函数
def function(x):
    return 0.5 * np.dot(np.dot(x.T, A), x) + np.dot(b.T, x)

# 解析梯度函数
def gradient(x):
    return np.dot(A, x) + b

# 测试x=(1,1)
x = np.ones(2)
print(gradient(x))  # 输出: [2. 2.]

解决方案2：数值梯度（适合复杂函数） #

如果遇到无法手动推导梯度的复杂函数，可以用数值方法近似计算梯度。这里可以用scipy的工具，或者自己实现差分法：

用scipy的数值梯度工具

from scipy.optimize import approx_fprime

epsilon = 1e-8  # 数值扰动的步长
numerical_grad = approx_fprime(x, function, epsilon)
print(numerical_grad)  # 输出类似 [2.00000002 2.00000002]，接近解析解

自己实现中心差分法

def numerical_gradient(x, func, h=1e-8):
    grad = np.zeros_like(x)
    for i in range(len(x)):
        # 对第i个维度添加小扰动
        x_plus = x.copy()
        x_plus[i] += h
        x_minus = x.copy()
        x_minus[i] -= h
        # 中心差分计算偏导
        grad[i] = (func(x_plus) - func(x_minus)) / (2 * h)
    return grad

print(numerical_gradient(x, function))  # 同样输出接近[2. 2.]的结果

总结你的错误点 #

你之前的代码np.gradient(function(x))是在对**函数的输出值（标量）**求梯度，这完全不符合梯度的定义——梯度是对输入变量x的每个维度求偏导，所以必须针对x来计算，而不是针对函数的输出结果。

内容的提问来源于stack exchange，提问作者Madabaru