注意：Autograd 目前已停止维护，作者不打算回应未来的问题或拉取请求。寻求类似用户体验（带有强大附加功能）的人可以考虑使用 JAX，这是由同一批作者设计的 Autograd 的继任者。

Autograd

Autograd 可以自动微分原生 Python 和 Numpy 代码。它可以处理 Python 的大部分特性，包括循环、条件语句、递归和闭包，甚至可以对导数求导数。它支持反向模式微分（又称反向传播），这意味着它可以高效地计算标量值函数相对于数组值参数的梯度，同时也支持前向模式微分，两者可以任意组合。Autograd 的主要应用是基于梯度的优化。欲了解更多信息，请查看教程和示例目录。

使用示例：

[Python 代码示例]

我们可以继续求导多次，并使用 numpy 的标量值函数向量化来处理多个不同的输入值：

[Python 代码示例]

[图片]

完整代码请参见 tanh 示例文件。

文档

你可以在这里找到教程。

端到端示例

• 简单神经网络
• 卷积神经网络
• 循环神经网络
• LSTM
• 神经图灵机
• 通过流体模拟进行反向传播

[动图]

• 贝叶斯神经网络中的变分推断
• 高斯过程回归
• Sampyl，一个纯 Python MCMC 包，支持 HMC 和 NUTS

如何安装

使用 Pip 安装 Autograd：

[Shell 命令]

某些功能需要 SciPy，你可以单独安装或作为 Autograd 的可选依赖项一起安装：

[Shell 命令]

作者

Autograd 由 Dougal Maclaurin、David Duvenaud、Matt Johnson、Jamie Townsend 和许多其他贡献者编写。该软件包目前仍在维护，但不再积极开发。请随时提交任何错误或功能请求。我们也很乐意听到你使用 Autograd 的经验。给我们发送电子邮件吧！

我们要感谢 Jasper Snoek 和 HIPS 小组（由 Ryan P. Adams 教授领导）的其他成员提供的有益贡献和建议；感谢 Barak Pearlmutter 在自动微分方面的开创性工作以及对我们实现的指导；感谢 Analog Devices Inc.（Lyric Labs）和三星高级技术研究院的慷慨支持。