文件名称：AutoDiff:通过轮廓积分自动区分
文件大小：149KB
文件格式：ZIP
更新时间：2024-03-28 10:47:31
julia-language numerical-integration neural-computation dendritic-computation JupyterNotebook
自动差异 通过轮廓积分自动区分 动机： 科学家之间先前曾有过来回的争论，例如大脑等生物网络是否可以计算导数。 我之前已经明确表示了我在此问题上的立场： : 标准的反驳是，反向传播在生物学上不可行，但偏导数对于闭环控制非常有用，因此我们面临着一个我们不能忽视的基本问题。 大脑和其他生物系统中的大型分支结构如何计算衍生物？ 经过一番思考后，我意识到，由于柯西（Cauchy积分公式）的原因，在复杂分析中的重要结果可用于使用蒙特卡洛方法以信号的简单正向传播来计算导数。 顺便说一句，柯西还发现了梯度下降算法。 通过儒略语中的轮廓集成最小化区分的实现： function nabla (f, x :: Float64 , delta :: Float64 ) # # automatic differentiation of holomorphic functions in a sing
【文件预览】：
AutoDiff-master
----README.md(3KB)
----convergence_of_error.ipynb(49KB)
----test.jl(1KB)
----images()
--------spring_pendulum_trajectory.png(30KB)
--------spring_phase_portrait.png(32KB)
--------.DS_Store(6KB)
----physics_simulations.ipynb(277KB)
----.DS_Store(6KB)
----main_tutorial.ipynb(12KB)
----cauchy_diff.jl(2KB)