JuliaDiff/ForwardDiff.jl
Forward Mode Automatic Differentiation for Julia
解決的問題
ForwardDiff.jl 提供了一種計算原生 Julia 函數導數、梯度、雅可比矩陣和海森矩陣的方法。它取代了手動微分或精度較低的有限差分方法，能夠以更高的精度和速度計算函數輸出相對於輸入的變化情況。
工作原理
該庫實現了前向模式自動微分（AD）。該技術透過使用「雙數（Dual numbers）」傳播函數操作中的導數，從而計算出精確的導數。
適用對象
專為使用 Julia 的開發者和研究人員設計，適用於需要計算數學函數導數的場景，特別是從標量映射到向量的函數。
特色亮點
- 全面的導數工具集：支援導數、梯度、雅可比矩陣和海森矩陣，包括高階導數。
- 高效能：在速度和精度方面，通常優於有限差分等非 AD 算法。
- 原生整合：可與原生 Julia 函數及任何可呼叫物件無縫協作。
- 依賴項：利用 DiffRules.jl 來計算
sin等簡單函數的導數。
相關
- 專案
- 專案
- 專案
- 專案
- 專案