技术背景
自动微分是一个在深度学习等计算领域非常常用的一个工具了，其核心原理就是基于链式法则的求导。但是如果只是为了使用一个自动微分的功能，不做深度学习的话，去安装一个庞大的深度学习框架，学习成本是很高的，尤其是在个别硬件环境下，配置还相当的复杂。如果只是想使用一个自动微分的功能，可以考虑本文所介绍的autograd自动微分计算框架。
autograd实例
autograd是一个基于numpy或者scipy接口的自动微分计算框架，使用cpu环境即可，安装也非常简单，直接使用pip install autograd即可完成环境部署。在使用方式上，跟普通的numpy模块的区别就是，此处的numpy函数要从autograd中进行导入，例如如下示例：
from autograd import numpy as np
from autograd import grad, elementwise_grad
def f(x):
return 2 * x
def f1(x):
return np.sum(2 * x)
g = elementwise_grad(f)
h = grad(f1)
x = np.arange(10).astype(np.float32)
print (g(x))
print (h(x))
# [2. 2. 2. 2. 2. 2. 2. 2. 2. 2.]
# [2. 2. 2. 2. 2. 2. 2. 2. 2. 2.]
这里我们用了一个非常简单的函数
y
=
2
x
来进行测试，那么得到的预期结果应该是
y
′
=
2
，所以程序输出没有问题。当然，这里使用的是逐元素的求导，总体的求导就是把逐元素的求导相加。这就是一个简单的在cpu和numpy框架下进行自动微分计算的实例。
总结概要
本文介绍了一个可以基于CPU和numpy的自动微分计算框架。如果只是需要使用自动微分计算的功能，就可以直接在CPU环境下简便的部署，快捷的完成环境搭建。
