通常,当您手动执行此操作时,不会有任何问题,因为 1/r 通常会被另一个 r 取消。但是使用 scipy.misc.derivative 以数字方式执行此操作就像 r 不同于零的魅力一样。但是,当然,只要我请求 r = 0,我就会得到除以零的结果,这是我所期望的。那么你怎么能用数字计算这个呢。我坚持认为所有事情都必须用数字来完成,因为我的函数现在太复杂了,我无法手动找到导数。谢谢!
我的代码:
rAtheta = lambda _r: _r*Atheta(_r,theta,z,t)
if r != 0:
return derivative(rAtheta,r,dx=1e-10,order=3)/r
else:
#What should go here so that it doesn't blow up when calculating the gradient?
请您参考如下方法:
tl;dr:使用符号微分,如果失败则使用复步微分
如果您坚持使用数值方法,您确实必须以某种方式将导数的极限近似为 r->0。
我建议尝试 complex step differentiation .这个想法是在你试图微分的函数内部使用复杂的参数,但它通常会消除标准有限差分方案强加的数值不稳定性。结果是一个需要复杂算术的过程(hooray numpy,和 python 一般!)但反过来可以在小 dx 值时更加稳定。
这里还有一点:复步微分使用
F′(x0) = Im(F(x0+ih))/h + O(h^2)
让我们将其应用于您的 r=0 案例:
F′(0) = Im(F(ih))/h + O(h^2)
即使 r=0 也没有奇点!选择一个小的 h,可能与您传递给函数的 dx 相同,然后使用它:
def rAtheta(_r):
# note that named lambdas are usually frowned upon
return _r*Atheta(_r,theta,z,t)
tol = 1e-10
dr = 1e-12
if np.abs(r) > tol: # or math.abs or your favourite other abs
return derivative(rAtheta,r,dx=dr,order=3)/r
else:
return rAtheta(r + 1j*dr).imag/dr/r
这是 f = r*ln(r) 的上述操作:
即使 r=1e-10 以下的点是使用复杂的步长微分计算的,结果还是非常平滑的。
非常重要的注意事项:注意代码中 tol 和 dr 之间的分隔。前者用于确定何时在方法之间切换,后者用作复杂步骤分化中的一个步骤。看看当 tol=dr=1e-10 时会发生什么:
结果是r=1e-10下面的一个平滑错误的函数!这就是为什么您始终必须小心数值微分的原因。而且我不建议在 dr 中低于太多,因为机器精度迟早会咬你。
但为什么要停在这里呢?我相当确定您的函数可以用矢量化的方式编写,即它们可以接受一组径向点。使用复杂的步长微分,您不必遍历径向点(您必须求助于 scipy.misc.derivative)。示例:
import numpy as np
import matplotlib.pyplot as plt
def Atheta(r,*args):
return r*np.log(r) # <-- vectorized expression
def rAtheta(r):
return r*Atheta(r) #,theta,z,t) # <-- vectorized as much as Atheta is
def vectorized_difffun(rlist):
r = np.asarray(rlist)
dr = 1e-12
return (rAtheta(r + 1j*dr)).imag/dr/r
rarr = np.logspace(-12,-2,20)
darr = vectorized_difffun(rarr)
plt.figure()
plt.loglog(rarr,np.abs(darr),'.-')
plt.xlabel(r'$r$')
plt.ylabel(r'$|\frac{1}{r} \frac{d}{dr}(r^2 \ln r)|$')
plt.tight_layout()
plt.show()
结果应该很熟悉:
在清除了复步微分这一有趣的怪癖之后,我应该指出,您应该认真考虑使用符号数学。在像这样的情况下,当 1/r 因素完全消失时,如果您准确地得出这个结论就不会受到伤害。毕竟 double 仍然只是 double 。
为此你需要 sympy模块,符号定义一次函数,符号微分一次,使用 sympy.lambdify 将简化结果转换为 numpy 函数, 并根据需要使用 this 数值函数(假设整个过程在有限时间内运行并且生成的函数使用起来不会太慢)。示例:
import sympy as sym
# only needed for the example:
import numpy as np
import matplotlib.pyplot as plt
r = sym.symbols('r')
f = r*sym.ln(r)
df = sym.diff(r*f,r)
res_sym = sym.simplify(df/r)
res_num = sym.lambdify(r,res_sym,'numpy')
rarr = np.logspace(-12,-2,20)
darr = res_num(rarr)
plt.figure()
plt.loglog(rarr,np.abs(darr),'.-')
plt.xlabel(r'$r$')
plt.ylabel(r'$|\frac{1}{r} \frac{d}{dr}(r^2 \ln r)|$')
plt.tight_layout()
plt.show()
导致
如您所见,在从符号函数到数字函数的转换过程中,由于 lambdify 使用 numpy 对结果函数进行了矢量化。显然,最好的解决方案是符号解决方案,只要生成的函数不会复杂到无法实际使用的程度。我强烈建议您首先尝试符号版本,如果由于某种原因它不适用,请谨慎使用复步微分。
