原

人工智能数学基础补习题(极限、无穷、导数、偏导数、梯度)

3846人阅读 2023/11/30 17:38 总访问：3143424 评论：0 收藏：0 手机

分类: python

![](https://img.tnblog.net/arcimg/hb/cdff7a9527444f37a439a3f7dbbd8fad.png)
>#人工智能数学基础补习题(极限、无穷、导数、偏导数、梯度)
[TOC]

## SymPy 简单介绍

tn2>SymPy 是一个用于符号数学计算的 Python 库。符号数学计算是指在计算过程中保留符号表示，而不是进行数值逼近。SymPy 提供了一套丰富的功能，包括代数运算、微积分、方程求解、线性代数、解微分方程、级数展开、矩阵运算等计算。

### 常用的SymPy内置符号

tn2>自然对数的底e的表达方式。

```python
import sympy as sp
sp.E
```

>e

tn2>求对数函数

```python
sp.log(sp.E)
```

>1

tn2>无穷大极限的表达方式`oo`

```python
import sympy as sp
1/sp.oo
```

>0

tn2>圆周率 π 的表达方式

```python
sp.pi
```

tn2>对π的正弦函数

```python
sp.sin(sp.pi)
```

### 用SymPy进行初等运算

| 函数  | 描述  |
| ------------ | ------------ |
| `sympy.log`  | 求对数函数  |
| `sympy.sin`  | 正弦函数  |
| `sympy.sqrt`  | 求平方根函数  |
| `sympy.root`  | 求n次方根函数  |
| `sympy.factorial`  | 求阶乘函数  |

### 表达式与表达式求值

tn2>SymPy可以用一套符号系统来表示一个表达式，如函数、多项式等，并且可以进行求值。

```python
# 定义x为一个符号，表示一个变量
x = sp.Symbol('x')
fx = 2*x+1 # fx 是一个表达式
fx.evalf(subs={x:2}) # 用evalf函数，传入变量的值，对表达式进行求值
```

>5.0

```python
x,y = sp.symbols('x y')
fx = 2*x+y
fx.evalf(subs={x:1,y:2}) # 以字典的形式传入多个变量的值
# 如果只传入一个变量的值，则输出原来的表达式的值
```

>4.0

```python
fx.evalf(subs={x:1})
```

>y+2.0

### 求极限用sympy.limit函数

$$\lim_{x\to \infty}\frac{\sin x}{x}$$

```python
import sympy
from sympy import oo # 无穷是两个小写oo
import numpy as np
x=sympy.Symbol('x')
f=sympy.sin(x)/x
r=sympy.limit(f,x,oo)
r
```

>0

$$\lim_{x\to 1}\frac{\ x^2-1}{x-1}$$

```python
import sympy
from sympy import oo
import numpy as np
x=sympy.Symbol('x')
f=(x**2-1)/(x-1)
r=sympy.limit(f,x,1)
r
```

>2

$$\lim_{x\to 0}\frac{\sin x}{3x-x^3}$$

```python
import sympy
from sympy import oo
import numpy as np
x=sympy.Symbol('x')
f=sympy.sin(x)/((3*x)+(x**3))
r=sympy.limit(f,x,0)
r
```

>$$\frac{1}\{3}$$

### 求导sympy.diff函数

tn2>求导的目的是找到一个函数在某一点的变化率，也就是函数在这一点的瞬时斜率。(单个因素)
求出下列函数的导数：

$$y=\arcsin \sqrt{\sin x}$$

```python
from sympy import *
from sympy.abc import x,y,z,f
# diff求导函数，arcsin数学函数表示形式为asin
diff(asin(sqrt(sin(x))))
```

![](https://img.tnblog.net/arcimg/hb/0dd2dad7a60f4f7abbac4dde7c73add5.png)

tn2>偏导数的目的是了解一个多变量函数在某个特定方向上的变化率。(多个因素)
求出下列表达式在点(1,2)处的偏导数。

$$f(x, y)=x^2+3xy+y^2$$

tn2>先获取x和y的偏导公式，再进行带入。

```python
from sympy import *
from sympy.abc import x,y,z,f

f=x**2+3*x*y+y**2
# 求对于x的导数
fx=diff(f,x)
fx
```

>2x+3y

```python
# 求对于y的导数
fy=diff(f,y)
fy
```

>3x+2y

```python
# 求在点(1,2)时，x的偏导数
fx.evalf(subs={x:1,y:2})
```

>8.0

```python
# 求在点(1,2)时，y的偏导数
fy.evalf(subs={x:1,y:2})
```

>7.0

### 方向导数

tn2>在偏导数之上确定了沿生的方向。
梯度向量：包含了函数在该点对每个变量的偏导数(x,y,z)。
方向导数=?f(梯度向量)*v(方向向量)

### 梯度下降

tn2>梯度就是方向导数取最大值，就是下坡最近的一种方式。
实现下列梯度下降求解下面函数的最小值

$$min f(x)=x-y+2x^2+2xy+y^2$$

tn2>通过对x和y的偏导得知公式为

$$\frac{\partial f}{\partial x}=4*x+2*y+1$$

$$\frac{\partial f}{\partial y}=-1+2*x+2*y$$

tn>再此之前请确保安装了`ipympl`包。

```python
!pip install ipympl
%matplotlib widget
```

```python
# 开启colab渲染，如果不是使用的google colab没有必要
from google.colab import output
output.enable_custom_widget_manager()
```

```python
import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import Axes3D

# 定义梯度函数
def Fun(x,y):
  return x - y + 2 * x * x + 2 * x * y + y * y

# 求偏导x
def PxFun(x,y):
  return 1 + 4 * x + 2 * y

# 求偏导y
def PyFun(x,y):
  return -1 + 2 * x + 2 * y

fig = plt.figure()
ax = plt.axes(projection='3d')

# 取样并作满射联合
X,Y = np.mgrid[-2:2:40j, -2:2:40j]
# 取样并作满射联合
Z = Fun(X,Y)
# X,Y,Z  指定行和列 表面图上色
ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap='viridis', edgecolor='none')

# 取样并作满射联合
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
# 梯度下降
# 取步长
step = 0.0008
x = 0
y = 0
tag_x = [x]
tag_y = [y]
tag_z = [Fun(x,y)] # 3个坐标分别打入表中，该表用于绘制点
new_x = x
new_y = y
Over = False
while Over == False:
  # 获取偏导并乘以阿尔法下降速度
  new_x -= step * PxFun(x,y)
  new_y -= step * PyFun(x,y)
  if Fun(x,y) - Fun(new_x,new_y) < 7e-9:
    Over = True
  x = new_x
  y = new_y
  # 添加更新的点
  tag_x.append(x)
  tag_y.append(y)
  tag_z.append(Fun(x,y))

ax.plot(tag_x,tag_y,tag_z,'r')
plt.title('(x,y)-('+str(x)+','+str(y)+')')
plt.show()
```

![](https://img.tnblog.net/arcimg/hb/aabd4f1d98384609abf18d8ba1c54d4b.png)

tn2>这里小于`7e-9`保证精度够小。

```python
# 输出最小的x,y,z
x,y,Fun(x,y)
```

>(-0.9979655105730022, 1.4967081269573648, -1.2499942798392145)

## NumPy库简单介绍

tn2>NumPy（Numerical Python的缩写）是Python中用于科学计算的核心库之一。它提供了一个强大的多维数组对象（numpy.array）和用于处理这些数组的各种函数。NumPy是很多其他科学计算库的基础，包括Pandas、SciPy、Matplotlib等。

### 数组的操作

```python
import numpy as np
a = np.array([1,2,3]) # 创建一个rank的数组
print(a[0],a[1],a[2])
```

>1 2 3

```python
b = np.array([[1,2,3],[4,5,6]])
print(b[0,0],b[0,1],b[0,2])
```

>1 2 3

tn2>在绘制三维图表时，需要用到NumPy中的mgrid函数。 它会返回一个密集的多维网格，一般形式为`np.mgrid[start:end:step]`
`start`:开始值
`end`：结束坐标
`step`：表示步数

```python
np.mgrid[-1:4:2]
```

>array([-1,  1,  3])

```python
np.mgrid[-1:4:2,-3:1:1]
```

![](https://img.tnblog.net/arcimg/hb/f20f80735a374236939f35dff6dc8269.png)

## SciPy库简单介绍

tn2>SciPy是建立在NumPy基础上的一个开源科学计算库，提供了许多在科学和工程中常用的高级数学、信号处理、优化、统计等算法和工具。

### 使用SciPy求导

tn2>使用`scipy.misc`模块下的`derivative`函数。
求f(x)在x0处的导数即f`(x0)

```python
import numpy as np
from scipy.misc import derivative

def f(x): # 定义函数
  return x**5

print(derivative(f, 2, dx=1e-6)) # 对函数在x=2处求导
```

>80.00000000230045

tn>`dx`参数表示用于计算数值导数的微小变化量

tn2>使用`polyld()`函数构造`f(x)`，`polyld`函数的形参是多项式的系数，最左侧的是最高次数的系数，构造的函数为多项式。
Numpy的`polylder`函数和`deriv`函数的作用差不多，都是对多项式求导，可以得到函数导数的表达式和在某点的导数。
对下面的多项式进行求导

$$x^5+2x^4+3x^2+5$$

![](https://img.tnblog.net/arcimg/hb/a40a3eb3b5c3460191629e0d486d0a64.png)

```python
# 对多项式x^5 + 2x^4 + 3x^2 + 5求导
import numpy as np
p = np.poly1d([1,2,0,3,0,5]) # 通过系数构造多项式
print(p)
```

>   5     4     2
1 x + 2 x + 3 x + 5

```python
print(np.polyder(p,1)) # 求一阶导数
```

>   4     3
5 x + 8 x + 6 x

```python
print(np.polyder(p,1)(1.0)) # 求一阶导数在点x=1处的值
```

>19.0

```python
print(p.deriv(1)) # 求一阶导数
```

>   4     3
5 x + 8 x + 6 x

```python
print(p.deriv(1)(1.0)) # 求一阶导数在点x=1处的值
```

>19.0

## 练习

tn2>求下列极限

$$\lim_{x\to 1}\sin (ln x)$$

```python
import sympy as sp

x = sp.symbols('x')
fx = sp.sin(sp.ln(x))
sp.limit(fx,x,1)
```

>0

$$\lim_{x\to 8}\frac{ 2^{1/3} - 2} {x-8}$$


```python
import sympy as sp

x = sp.symbols('x')
fx = (x**(1/3)-2)/(x-8)
sp.limit(fx,x,8)
```

>$$\frac{1} {12}$$ 

tn2>求下列导数

$$y=x^4-2x^3+5sinx+ln3$$

```python
import sympy as sp

x,y = sp.symbols('x y')
y = x**4-2*x**3+5*sp.sin(x)+sp.ln(3)
sp.diff(y,x)
```

已知 $$z=(3x^2+y^2)^{4x+2y}$$，求在点(1,2)处的偏导数，并使用python编程（提示：复合函数求导，设$$u=3x^2+y^2$$ 、 $$v=4x+2y$$）

```python
import sympy as sp

z,x,y = sp.symbols('z x y')
z = (3*x**2+y**2)**(4*x+2*y)
# 对x求偏导
fx = sp.diff(z,x)
fy = sp.diff(z,y)
result_at_point = {
    'dz/dx': fx.evalf(subs={x:1,y:2}),
    'dz/dy': fy.evalf(subs={x:1,y:2})
}

print("在点 (1, 2) 处的偏导数：", result_at_point)
```

>在点 (1, 2) 处的偏导数： {'dz/dx': 84401203.0927369, 'dz/dy': 48788945.5463684}

求函数 $$z=x^2+y^2$$ 在点`(1,2)`处沿点`(1,2)`到点$$(2,2+3^{1/2})$$方向的方向导数，以及在点(1,2)的梯度。

```python
import sympy as sp

z,x,y = sp.symbols('z x y')
z = x**2+y**2
# 对x求偏导
fx = sp.diff(z,x)
fy = sp.diff(z,y)

# 定义点 (1, 2)
point_1_2 = sp.Point(1, 2)

# 定义点 (2, 2 + sqrt(3))
point_2_2_sqrt3 = sp.Point(2, 2 + sp.sqrt(3))

# 计算从点 (1, 2) 到点 (2, 2 + sqrt(3)) 的方向向量
direction_vector = point_2_2_sqrt3 - point_1_2

# 计算方向导数
directional_derivative = sp.diff(z, x) * direction_vector[0] + sp.diff(z, y) * direction_vector[1]

r1 =[fx.subs({x: 1, y: 2}),fy.subs({x: 1, y: 2})];

result_at_point = {
    '在点 (1, 2) 处的梯度': r1, # 使用subs也可以
    "从点 (1, 2) 沿着到点 (2, 2 + sqrt(3)) 的方向的方向导数：": directional_derivative
}

print("：", result_at_point)
```

>{
	'在点 (1, 2) 处的梯度': [2, 4],
	'从点 (1, 2) 沿着到点 (2, 2 + sqrt(3)) 的方向的方向导数：': 2*x + 2*sqrt(3)*y
}

欢迎加群讨论技术，1群：677373950(满了，可以加，但通过不了)，2群：656732739

👈{{preArticle.title}}

👉{{nextArticle.title}}

评价

尘叶心繁

这一世以无限游戏为使命！

博主信息

排名

文章

粉丝

文章类别

.net后台框架 184篇

linux 18篇

linux中cve 1篇

windows中cve 0篇

资源分享 10篇

Win32 3篇

前端 28篇

传说中的c 5篇

Xamarin 9篇

docker 15篇

容器编排 101篇

grpc 4篇

Go 15篇

yaml模板 1篇

理论 2篇

人工智能数学基础补习题(极限、无穷、导数、偏导数、梯度)

{{titleitem}} {{titleitem}}

{{titleitem}} {{titleitem}}