曲率与自动微分
手动计算曲率十分枯燥,因为它涉及计算一阶导与二阶导。当然,也有其他的应用需要求导,但在这里我们将曲率作为例子。
求导
如果只用显式地实现原始函数,然后让软件自己找出导数,就好了。
数值微分
导数的有限差分近似并不新鲜。例如,欧拉(1707-1783)使用有限差分(数值)求解微分方程。但数值微分可能不准确或不稳定,特别是对于高阶导数。
符号微分
符号微分是另一种方法,让计算机像人们手动一样操纵表达式。它适用于很多问题,但对于大问题来说,可扩展性不行。它还要求函数以传统的数学形式呈现,而不是以源代码的形式呈现。
自动微分
自动微分是第三种方法。像数值微分一样,它可以与浮点数一起使用,而不是符号表达式。但与数值微分不同,结果没有近似误差。正如有人所说,自动微分将链式规则应用于浮点数而不是符号表达式。
Python 实现
我将使用 Python 库 autograd
来计算曲率并说明自动微分。autograd
并不是 Python 最强大的自动微分库,但它是我见过的最简单的。
我们将计算逻辑曲线的曲率。
$$y=\frac{1}{1+e^{-x}}$$
曲率由下式给出:
$$\kappa (x)=\frac{|y^{‘’}|}{(1+y^{‘2})^{3/2}}$$
下面是使用 autograd
计算曲率的 Python 代码。
1 | import autograd.numpy as np |
绘图
该图在中间和远端相对平坦。而在此之间,形成了两个曲率较高的区域。
1 | import matplotlib.pyplot as plt |
看一下曲率:
1 | y = [curvature(t) for t in x] |
正如我们应该预料的那样,曲率在远端和中间是很小的,其间具有局部最大值。
我们还可以查看符号(signed)曲率,与曲率相同的表达式,但没有绝对值。
$$k(x) = \frac{y^{‘’}}{(1+y^{‘2})^{3/2}}$$
使用以下代码绘图:
1 | def signed_curvature(x): |
结果看起来像正弦曲线。
正值表示曲线逆时针弯曲,负值表示曲线顺时针弯曲。