我有一个3D数据数组A
,形状分别为x
、y
和z
。
我想求A
在y
维度上的梯度。这可以通过NumPy轻松实现:dAdy = np.gradient(A, Y, axis=1)
其中Y
是y
维度中坐标的1D向量。
然而,如果Y
是非结构化的,这就变得不平凡了。也就是说,固定位置(x, z) = (Xi, Zi)
上的每一列数据都有一组唯一的y
坐标。举例来说:
A = np.random.random((10, 10, 10))
X = np.arange(10)
Y = np.sort(np.random.random((10, 10, 10)), axis=1)
Z = np.arange(10)
上面的结果是一个3D数据集A
,定义在X
和Z
坐标的结构化集合上,而Y
坐标的值对于每个数据点都是唯一的(当然在y
维度上是单调的)。我想通过有限差分来估计dA/dy
。
本质上,我是在尝试取许多独立列的梯度。有没有一种方法可以用NumPy将其向量化?我尝试了下面的迭代方法,但它非常慢:
# A is the 3D dataset
# Y is the 3D dataset with shape matching that of A; gives the y-position of each datapoint in A
NX, NY, NZ = A.shape[0], A.shape[1], A.shape[2]
dA_dy = np.zeros((NX, NY, NZ))
for i in range(NX):
for k in range(NZ):
dA_dy[i, :, k] = np.gradient(A[i,:,k], Y[i,:,k])
我还认为我可以通过实施链式规则来变得聪明:
dA_dy = np.gradient(A, axis=1) / np.gradient(Y, axis=1)
但对于下面的简单测试,这种方法并不起作用:
g = np.array([1, 5, 6, 10]) # an unstructured coordinate
f = g**2 # function value on the points x
grad1 = np.gradient(f, g) # df/dg
grad2 = np.gradient(f) / np.gradient(g) # df/dg?
我只得到了几个简单线性函数的grad1=grad2
,而不是上面表示的函数。我现在想知道是否有一个理论上的原因,为什么链式法则不应该普遍适用于由有限差分估计的导数。
1条答案
按热度按时间d6kp6zgx1#
对于一些简单的线性函数,我只得到grad1=grad2
毫无疑问:
如果
x
是均匀分布的,即使函数f
不是线性的,grad1
也等于grad2
:输出量: