JuliaDiff/ForwardDiff.jl
Forward Mode Automatic Differentiation for Julia
解决的问题
ForwardDiff.jl 提供了一种计算原生 Julia 函数导数、梯度、雅可比矩阵和海森矩阵的方法。它取代了手动微分或精度较低的有限差分方法，能够以更高的精度和速度计算函数输出相对于输入的变化情况。
工作原理
该库实现了前向模式自动微分（AD）。该技术通过使用「双数（Dual numbers）」传播函数操作中的导数，从而计算出精确的导数。
适用人群
专为使用 Julia 的开发者和研究人员设计，适用于需要计算数学函数导数的场景，特别是从标量映射到向量的函数。
特色亮点
- 全面的导数工具集：支持导数、梯度、雅可比矩阵和海森矩阵，包括高阶导数。
- 高性能：在速度和精度方面，通常优于有限差分等非 AD 算法。
- 原生集成：可与原生 Julia 函数及任何可调用对象无缝协作。
- 依赖项：利用 DiffRules.jl 来计算
sin等简单函数的导数。
相关
- 项目
- 项目
- 项目
- 项目
- 项目