 | derapproximator유한 차이를위한 파이썬 모듈 유도체 근사치 |
| 지금 다운로드 | |
derapproximator 순위 및 요약
광고
derapproximator 태그
derapproximator 설명
유한 차이를위한 파이썬 모듈 유도체 근사치 derapproximator는 유한 차이점 파생 상품을위한 파이썬 라이브러리입니다.인데 록시 티자는 Operalone 프레임 워크에서 독립 실행 형 파이썬 모듈로 추출한 파생 상품 (현재 첫 번째 프로그램 만)을 얻는 작지만 중요한 패키지입니다. 그것은 Funcdesigner (루틴이없는 표준 세트를 넘어 루틴을 넘어서는 ooofun의 파생 상품을 얻으려면 일부 OpenOPT 솔버가 있거나 사용자가 제공 한 파생 상품이없는 기능이있는 경우). 패키지의 요구 사항 (OpenOPT 및 Funcdesigner뿐만 아니라)은 Numpy 및 Python-SetupTools입니다. ServeSools.curry는 Get_D1 및 CHECK_D12 함수 만 제공합니다. Get_D1 및 CHECK_D1에 대한 두 가지 필수 인수는 펑크가 포함되어 있으며 파생 상품이 / 확인되는 지점입니다. 사용자가 파이썬 목록 (시작점으로)을 제공하면 자동으로 numpy 배열로 캐스팅됩니다. * get_d1은 func f : r ^ n -> r ^ mexample의 첫 번째 파생 상품을 반환합니다 : derapproximator 가져 오기 * 인쇄 get_d1 (lambda x : (x ** 2) .sum (), ) Print Get_D1 (람다 x : x ** 2, ) 예상 출력 : ]] * CHECK_D1 functionExample의 첫 번째 파생 상품을 얻기 위해 사용자가 제공 한 라우팅을 확인합니다 : derapproximator 가져 오기 * func = lambda x : (x ** 4) .sum () func_d = lambda x : 40 * x ** 3x = arange (1.0, 6.0) r = check_d1 (func, func_d, x) func = lambda x : x ** 4func_d = lambda x : 40 * diag (x ** 3) x = arange (1.0, 6.0) r = check_d1 (func, func_d, x) 예상 출력 : func num 사용자 제공 숫자 RD0 + 4.000e + 01 + 4.000e + 0031 + 3.200E + 02 + 1.080E + 0132 + 1.080E + 03 + 1.080E + 0233 + 2.560E + 03 + 2.560E + 0234 + 5.000E + 03 + 5.000E + 023max (ABS (d_user - d_numerical)) = 4499.9999861 ( FUNC 번호 4)에 등록됩니다. 4) func num i, j : dfunc / dx ] 사용자 제공 숫자 RD00 / 0 + 4.000E + 01 + 4.000E + 00361 / 1 + 3.200E + 02 + 3.200E + 013122 / 2 + 1.080E + 03 + 1.080E + 023183 / 3 + 2.560E + 03 + 2.560E + 023244 / 4 + 5.000E + 03 + 5.000E + 023max (ABS (D_USER - D_NUMERICAL)) = 4499.9999861 (FUNC 번호 24에 등록됨) * 기본 DIFFINT는 1.5E입니다. -8, get_d1 및 check_d1의 "diffint"인수로 덮어 쓸 수 있습니다. 또 다른 하나의 인수는 스텐실, derappoximitor의 기본값 2, funcdesigner 및 openopt nsp는 2, 즉 OPENOPT NLP 기본값이 1, 즉 operopt nlp 기본값입니다. (f (x + diffint) -f (x) / diffint.example : derapproximator에서 numpy 가져 오기에서 가져 오기 - get_d1func = lambda x : (x ** 4) .sum () x = arange (1.0, 6.0) r1 = get_d1 (func, x, stencil = 1, diffint = 1e-5) 인쇄 (r1) r2 = get_d1 (func, x, stencil = 2, diffint = 1e-5) 인쇄 (R2) 예상 출력 : * F (x + diffint)가 naN (숫자가 아님)이거나 F (x-diffint)가 NaN이 아니라면 한쪽 이보다 관련 될 것입니다. 계산. btw 이것은 숫자 최적화 문제를 많이 사용하는 전형적인 상황이며 현재 scipy.Optimize에서 profum_fprime 및 check_grad 함수는 더 많은 원시적입니다 - 스텐실이 하나만 있고 NAN을 처리하지 않습니다. 요구 사항 : · 파이썬 · NUMPY.
derapproximator 관련 소프트웨어
