神经网络基础-神经网络补充概念-05-导数

概念

导数是微积分中的一个概念，用于描述函数在某一点的变化率。在数学中，函数的导数表示函数值随着自变量的微小变化而产生的变化量，即斜率或变化率。

假设有一个函数 f(x)，其中 x 是自变量，y = f(x) 是因变量。函数 f(x) 在某一点 x0 处的导数表示为 f’(x0)，也可以写作 dy/dx 或 df/dx。

导数的定义是：
f’(x0) = lim(h→0) [f(x0 + h) - f(x0)] / h

其中，h 表示自变量 x 的一个微小变化量。

导数的几个重要概念：

导数的几何意义：导数表示函数曲线在某一点的切线斜率。
导数的物理意义：在物理学中，导数可以表示物体的速度、加速度等概念。
导数的规则：导数具有一些运算规则，例如常数规则、幂规则、和差规则、乘积规则、商规则等，用于求不同类型函数的导数。
高阶导数：除了一阶导数，还可以计算二阶导数、三阶导数等，表示函数变化率的变化率。
链式法则：用于求复合函数的导数。
导数在数学、物理、工程等领域都有广泛的应用，例如在优化问题、函数的极值点、速度与加速度的关系等方面。

代码实现

方法一

import sympy as sp

# 定义符号变量和函数
x = sp.symbols('x')
f = x**2 + 3*x + 2

# 计算函数的导数
f_prime = sp.diff(f, x)

print("函数的导数:", f_prime)

方法二

import numpy as np
import matplotlib.pyplot as plt

# 定义函数
def f(x):
    return x**2 + 3*x + 2

# 定义计算导数的函数
def compute_derivative(f, x, h=1e-5):
    return (f(x + h) - f(x)) / h

x_vals = np.linspace(-10, 10, 100)
y_vals = f(x_vals)

# 计算导数值
derivative_vals = compute_derivative(f, x_vals)

# 绘制函数及其导数
plt.figure(figsize=(8, 6))
plt.plot(x_vals, y_vals, label='f(x) = x^2 + 3x + 2')
plt.plot(x_vals, derivative_vals, label="f'(x)")
plt.legend()
plt.xlabel('x')
plt.ylabel('y')
plt.title('Function and its Derivative')
plt.grid(True)
plt.show()