高效计算numpy代码的导数（autograd）

【实例简介】
Autograd可以自动区分原生Python和Numpy代码。它能够处理Python的大部分特性，包括循环、条件语句、递归和闭包，甚至可以对多重导数进行求导。它支持反向模式微分（即反向传播），这意味着它可以有效地对标量值函数关于数组值参数求梯度，同时还支持正向模式微分，并且两者可以任意组合。Autograd的主要应用是基于梯度的优化。
【实例截图】
【核心代码】
文件清单
└── autograd-9c756149ec3020286b21434023064226c9174b1a
    ├── autograd
    │   ├── builtins.py
    │   ├── core.py
    │   ├── differential_operators.py
    │   ├── extend.py
    │   ├── __init__.py
    │   ├── misc
    │   │   ├── fixed_points.py
    │   │   ├── flatten.py
    │   │   ├── __init__.py
    │   │   ├── optimizers.py
    │   │   └── tracers.py
    │   ├── numpy
    │   │   ├── fft.py
    │   │   ├── __init__.py
    │   │   ├── linalg.py
    │   │   ├── numpy_boxes.py
    │   │   ├── numpy_jvps.py
    │   │   ├── numpy_vjps.py
    │   │   ├── numpy_vspaces.py
    │   │   ├── numpy_wrapper.py
    │   │   └── random.py
    │   ├── scipy
    │   │   ├── __init__.py
    │   │   ├── integrate.py
    │   │   ├── linalg.py
    │   │   ├── misc.py
    │   │   ├── signal.py
    │   │   ├── special.py
    │   │   └── stats
    │   │       ├── beta.py
    │   │       ├── chi2.py
    │   │       ├── dirichlet.py
    │   │       ├── gamma.py
    │   │       ├── __init__.py
    │   │       ├── multivariate_normal.py
    │   │       ├── norm.py
    │   │       ├── poisson.py
    │   │       └── t.py
    │   ├── test_util.py
    │   ├── tracer.py
    │   ├── util.py
    │   └── wrap_util.py
    ├── benchmarks
    │   ├── asv.conf.json.sample
    │   ├── bench_core.py
    │   ├── bench_mem.py
    │   ├── bench_numpy_vjps.py
    │   ├── bench_rnn.py
    │   ├── bench_util.py
    │   └── __init__.py
    ├── conda_recipe
    │   └── conda.yaml
    ├── CONTRIBUTING.md
    ├── docs
    │   ├── tutorial.md
    │   └── updateguide.md
    ├── examples
    │   ├── bayesian_neural_net.png
    │   ├── bayesian_neural_net.py
    │   ├── bayesian_optimization.py
    │   ├── black_box_svi.py
    │   ├── convnet.py
    │   ├── data_mnist.py
    │   ├── data.py
    │   ├── deep_gaussian_process.py
    │   ├── define_gradient.py
    │   ├── dot_graph.py
    │   ├── fixed_points.py
    │   ├── fluidsim
    │   │   ├── animated.gif
    │   │   ├── fluidsim.py
    │   │   ├── init_smoke.png
    │   │   ├── peace.png
    │   │   ├── skull.png
    │   │   ├── surprise.gif
    │   │   ├── wing.png
    │   │   └── wing.py
    │   ├── gaussian_process.png
    │   ├── gaussian_process.py
    │   ├── generative_adversarial_net.py
    │   ├── gmm.png
    │   ├── gmm.py
    │   ├── gplvm.png
    │   ├── gplvm.py
    │   ├── graph.pdf
    │   ├── hmm_em.py
    │   ├── ica.py
    │   ├── __init__.py
    │   ├── logistic_regression.py
    │   ├── lstm.py
    │   ├── mixture_variational_inference.py
    │   ├── natural_gradient_black_box_svi.py
    │   ├── negative_binomial_maxlike.py
    │   ├── neural_net.py
    │   ├── neural_net_regression.py
    │   ├── ode_net_demo.png
    │   ├── ode_net.py
    │   ├── print_trace.py
    │   ├── rkhs.py
    │   ├── rnn.py
    │   ├── rosenbrock.py
    │   ├── sinusoid.png
    │   ├── sinusoid.py
    │   ├── sinusoid_taylor.png
    │   ├── tanh.png
    │   ├── tanh.py
    │   ├── vae_samples.png
    │   └── variational_autoencoder.py
    ├── license.txt
    ├── MANIFEST.in
    ├── pyproject.toml
    ├── README.md
    ├── tests
    │   ├── check_examples_run.sh
    │   ├── numpy_utils.py
    │   ├── profiling.py
    │   ├── test_binary_ops.py
    │   ├── test_builtins.py
    │   ├── _test_complexity.py
    │   ├── test_complex.py
    │   ├── test_core.py
    │   ├── test_dict.py
    │   ├── test_direct.py
    │   ├── test_fft.py
    │   ├── test_graphs.py
    │   ├── test_jacobian.py
    │   ├── test_linalg.py
    │   ├── test_list.py
    │   ├── test_logic.py
    │   ├── test_misc.py
    │   ├── test_numpy.py
    │   ├── test_performance.py
    │   ├── test_scalar_ops.py
    │   ├── test_scipy.py
    │   ├── test_systematic.py
    │   ├── test_tests.py
    │   ├── test_truediv.py
    │   ├── test_tuple.py
    │   ├── test_vspaces.py
    │   └── test_wrappers.py
    └── tox.ini

12 directories, 131 files