sympy 简易教程

内容:本文档主要介绍sympy软件包。

读者:适用于有一定编程基础的工科学生。
目的:让学生熟悉sympy软件包,为解决以后的工科数学问题打下一定的基础。

简介:符号化的计算采用的是数学对象符号化的计算方式。这意味者,采用数学对象精确标识而不是近似的,同时它也是包含用带变量的表达式。
例如,python的math在标准库中
>>> math.sqrt(8)
2.82842712475
但是,如果采用sympy所提供的方法,你可以得到
>>> sympy.sqrt(8)
2*sqrt(2)
这个的意义在于
>>> math.sqrt(8)*math.sqrt(8)
8.000000000000002
显然这个数值是不精确的,但是在sympy中,你会看到
>>> sympy.sqrt(8)*sympy.sqrt(8)
8
此外,符号化的计算方式包含常规的求导运算(正如你所见,里面包含符号),积分等。
在后面的教程中,我会一一介绍。

适用读者:有一定的编程基础,如果能有python基础更好。不过, 并不要求很熟练的掌握python,如果你发现学习比较困难,那么再补python吧。
在这个链接http://docs.python.org/3/tutorial/index.html中,提供了python的基础教学。
如果你需要官方的sympy资料,你可以查看这个http://docs.sympy.org/latest/tutorial/index.html

第一部分,软件包的安装。
首先你需要安装python,然后安装pip,之后在命令行的的终端输入pip install sympy.

第二部分,通过一些例子来学习sympy

运行python后,
输入如下:

#this code is first example

from sympy import * #你不需要明白第一行为什么这么写,因为这个需要了解python ,但是现在你不需要
x = Symbol('x') #符号化的运算对象是数字或者变量,所以当你想使用一个变量前, 你需要这些写。之后你就可以用x来做符号化的运算了
limit('sin(x)/x',x,0)#来一个简单的求极限的例子体现一下。


现在我来详细的解释下面两句化的含义。为了方便理解,我不会用计算机的逻辑去解释。
为了方便理解,你可以理解成一个命题。
例如 猫是哺乳动物。这就是一个简单的命题。

Symbol('x')你可以理解成x是一个变量(符号) 在写这个是,一定要记住括号里面用x用英文半角单引号引起来。
p = Symbol('x') 就是我们经常写的 p: x 是一个变量。这样一个命题,之后,你就可用用p带代替这常常的一句话 “x 是一个变量”(Symbol('x'))。
在上面的我们用的是x不是p,这个就是这样写 x: x是一个变量。为了防止读者混淆,我用p来代替x让读者明白此x非那个x。
limit('sin(x)/x',x,0)
你可以这样理解这句话
当表达式为sin(x)/x,并且x(等价于命题:x是一个变量),如果,x趋近于0,那么表达式的值为?
最后你会发现控制台打印出结果
1
如果你不嫌麻烦的化,你也可以这样写
>>>limit('sin(x)/x',Symbol('x'),0)
这样也没有问题,不过,每次使用limit时,你都需要写Symbol('x'),这样,不如写一个x=Symbol('x'),这样每次使用x代替那个命题会比较简便。


先从表达式部分开始说起
每次当打开python之后,先输入
>>>from sympy import *

 

然后我们来声明一个命题并把用x代替它
>>>x = Symbol('x')
现在我们对x这个变量+1得到表达式 x+1,不过,我们没有指定用谁来代替所得到的结果,所以,结果只会输出到控制台上
>>>x+1
x + 1
现在我们用expr记住这个结果
>>>expr =x+1
在控制台上你可以这样写
>>>expr
x + 1
现在做一点高难度的理解
>>>expr = expr + x
上面结果看上去有点不可思议,不过,你要明白,expr只是记忆一下,着一条命令的最终结果是,expr+x得出结果后,丢弃原来的expr换成新的结果。
我们也可以声明同时使用多个符号
不过你要看到,在Symbols中x y z之间彼此用空格间隔开。
>>> x,y,z =Symbols('x y z')
并且如果你写成
>>>x,y = Symbols('y,x')
>>>x
y
>>>y
x
这说明,x代替的是前面的命题 y是符号,y 代表着x是符号,对于大多数的工科学生来说,不要这么写,容易乱
你只需要
向之前那样
>>>x = Symbol('x')
>>>y = Symbol('y')
或者
>>>x,y = Symbol('x','y')x + 1
最好不要整那些复杂的方式。

这里有一个注意的事情,对x的更改不会影响后面的expr
>>>x = symbols('x')
>>>expr = x + 1
>>>x = 2
>>>expr
x + 1
就像这样,x=2以后,expr并不会变成3.因为你让expr仅记住了x+1,后面的所有对x的操作都不会影响expr。
如果你想得到当x为2时的表达式的值,你可以这样写
>>>expr.subs(x,2)#这里的x代替的是Symbol('x'),你在这里会出错误,因为上面的x=2已经将此x换成存别的信息了,不再是命题x是一个变量,所以,你需要在用这个之前x=Symbol('x')
3

不过表达式
>>> a = (x + 1)**2#在之前我们有x=Symbol('x')
>>> b = x**2 + 2*x + 1# x**2为x的2次幂
当两个相减,并不为0。
>>> a-b
-x**2 - 2*x + (x + 1)**2 - 1
为了得到0你需要化解
>>>simplify(a-b)


为了判断两个表达式是否相等
>>> a = cos(x)**2 - sin(x)**2
>>> b = cos(2*x)
>>> a.equals(b)

 

转载于:https://www.cnblogs.com/ysujiaoyu/p/6539266.html

  • 2
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
学习人工智能,机器学习都离不开数学基础和编程知识。无论你是数据科学的初学者还是已经从事人工智能开发的有经验人员,这门课都适合于你。为什么这么说?首先人工智能和机器学习本质上就是算法,而算法就是数学及统计学以及编程的结合。当前市场上有许多开源的软件包如SKLEARN确实可以帮助没经验的或缺乏数学或算法基础的人实现机器学习模型及预测,但这些工具无法使你真正懂得算法的本质或来源,或者无法使你在不同场合下灵活运用及改进算法。记住,在实际工作中找到适合应用场景的解决方案是最难但是最重要的。但这离不开数学基础和算法理解。比如,线性回归是一类普遍的机器学习算法,所有的机器学习软件都有现成的方法实现模型,但如果在训练数据中加入几条新数据,那么新建立的模型和原来的模型有和联系或不同?再比如,为什么深度神经网络中的Sigmoid函数一般只用到输出层?神经网络的向后传播理论如何与泰勒展开和复合函数的偏导数联系在一起?人工智能中推荐系统和文字向量如何与矩阵的奇异分解以及特征向量联系?模型中对标签进行数据变换如何影响预测值?所有这些问题的答案,你都可以从本课中找到线索。本课系统地讲述了有关人工智能,机器学习背后的数学知识。特别指出,微积分和代数知识是本课的核心。统计学基础被安排在另外的课程中。除此之外,我在每一章节或主要知识点后都安排了各类程序以解释和回顾所学到的东西。最后要提到的是,这不是一门工程项目实践课。但我会另外专门安排有关人工智能,机器学习的实践课程

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值