文件名称：ForwardDiff.jl：Julia的正向模式自动区分
文件大小：59KB
文件格式：ZIP
更新时间：2024-02-24 14:59:29
calculus julia automatic-differentiation TheJuliaLanguageJulia
ForwardDiff.jl ForwardDiff使用正向模式自动微分（AD）实现方法以获取本机Julia函数（或实际上是任何可调用对象）的导数，渐变， Jacobian ， Hessian和高阶导数。 尽管性能可能会因您评估的功能而异，但是ForwardDiff实施的算法在速度和准确性方面通常都优于非AD算法。 这是一个简单的示例，显示了运行中的包： julia > using ForwardDiff julia > f (x :: Vector ) = sum (sin, x) + prod (tan, x) * sum (sqrt, x); julia > x = rand (
【文件预览】：
ForwardDiff.jl-master
----.github()
--------workflows()
----benchmarks()
--------py()
--------cpp()
--------benchmarks.jl(2KB)
----src()
--------partials.jl(8KB)
--------dual.jl(21KB)
--------config.jl(9KB)
--------ForwardDiff.jl(455B)
--------jacobian.jl(11KB)
--------prelude.jl(2KB)
--------hessian.jl(4KB)
--------gradient.jl(6KB)
--------derivative.jl(3KB)
--------apiutils.jl(3KB)
----Project.toml(1KB)
----test()
--------DualTest.jl(24KB)
--------runtests.jl(1KB)
--------MiscTest.jl(5KB)
--------AllocationsTest.jl(882B)
--------utils.jl(554B)
--------GradientTest.jl(6KB)
--------SIMDTest.jl(3KB)
--------PartialsTest.jl(5KB)
--------ConfusionTest.jl(2KB)
--------HessianTest.jl(6KB)
--------JacobianTest.jl(8KB)
--------DerivativeTest.jl(3KB)
----LICENSE.md(1KB)
----README.md(2KB)
----docs()
--------src()
--------Project.toml(112B)
--------make.jl(747B)
----.gitignore(97B)