SciPy 与 SymPy：数值算结果，符号推公式，各管各的

做科学计算的时候，你经常会遇到两种需求：

• 算一个具体的数：比如 ∫₀¹ sin(x) dx = 0.4596...
• 推一个数学公式：比如 ∫ x·sin(x) dx = -x·cos(x) + sin(x)

前者是数值计算（SciPy 的活），后者是符号运算（SymPy 的活）。数值给结果，符号给表达式。 两套工具，解决两类问题。

数值积分：函数没原函数，或者数据来自实验

很多工程问题需要算积分，但被积函数可能没有初等原函数，或者数据是测量来的（离散点，没有表达式）。这时候用数值积分。

一维定积分：quad（最常用）

from scipy.integrate import quad
import numpy as np

# 算 ∫₀¹ sin(x) dx
result, error = quad(np.sin, 0, 1)
print(f"{result:.10f}")   # 0.4596976941

quad 返回两个值：积分结果和误差估计。误差估计别看小，它告诉你结果可不可信。 如果误差比结果还大，说明积分没收敛。

带参数的积分：

def integrand(x, a, b):
    return np.exp(-a * x) * np.sin(b * x)

result, error = quad(integrand, 0, np.inf, args=(2.0, 3.0))

二重积分：dblquad（注意积分顺序）

from scipy.integrate import dblquad

# 算半球体积：∫∫ √(1-x²-y²) dy dx
def f(x, y):
    return np.sqrt(max(0, 1 - x**2 - y**2))

volume, error = dblquad(
    f,
    -1, 1,
    lambda x: -np.sqrt(1-x**2),
    lambda x: np.sqrt(1-x**2)
)
print(f"{volume:.6f}")   # 2.094395（= 2π/3）

SciPy 数值优化：从最小二乘到非线性求解，遇到什么问题该用什么

写代码做数据处理，很多问题最终都能归结成一个核心需求：找到一组最优的参数。

• 拟合一条曲线 → 找参数使误差最小
• 控制一个系统 → 找参数使性能最好
• 解一个方程组 → 找一组值使所有等式成立

SciPy 的 optimize 模块就是干这个的。但问题是：算法太多了——leastsq、curve_fit、fmin、fmin_bfgs、fsolve……新手看了直接懵。

---

最小二乘拟合：数据点 + 模型 = 找参数

90% 的优化需求都能归到这一类：你有数据点，你有一个带参数的模型，你想让模型尽可能贴合数据。

标准写法（老派）：

from scipy.optimize import leastsq
import numpy as np

x = np.array([1, 2, 3, 4, 5])
y = 2.5 * x + 1.3 + np.random.randn(5) * 0.5

def residuals(p, x, y):
    k, b = p
    return y - (k * x + b)

p0 = [1.0, 0.0]
result = leastsq(residuals, p0, args=(x, y))
k, b = result[0]
print(f"k={k:.3f}, b={b:.3f}")

更友好的写法（推荐）：

from scipy.optimize import curve_fit

def model(x, k, b):
    return k * x + b

popt, pcov = curve_fit(model, x, y, p0=[1.0, 0.0])
k, b = popt

curve_fit 比 leastsq 好用得多——不用自己写残差函数，不用操心 args 传参方式，直接定义模型函数就行。新代码优先用 curve_fit。

拟合正弦波（复杂模型示例）：

NumPy 核心原理：搞懂内存结构和广播，性能问题不用猜

用 NumPy 的人很多，但遇到性能问题或奇怪报错的时候，大多数人是靠试——换个写法试试，不行再换。靠猜也能解决问题，但下次遇到类似问题还是懵。

搞懂 ndarray 的内存结构和广播机制，能让你从”靠猜”变成”靠判断”。

• 为什么 a[1:3, 2:5] 这种切片几乎不花时间？
• 为什么修改切片有时候会影响原数组，有时候不影响？
• 为什么同样的运算，某些写法快几十倍？

答案都在 ndarray 的内存模型里。

ndarray 长什么样？数据 + 说明书

一个 ndarray 对象在内存里就两样东西：

1. 实际数据：一块连续的内存
2. 元数据：描述怎么解读这块内存

┌─────────────────────────────────────────┐
│           ndarray 对象                   │
├─────────────────────────────────────────┤
│  data    → 数值数据（连续内存）          │
│  dtype   → 元素类型（int32 / float64）   │
│  shape   → 各轴长度 (3, 4)              │
│  strides → 各轴步长 (16, 4)             │
└─────────────────────────────────────────┘

关键认知：数据只存一份。 切片、转置、大部分 reshape 都是只改说明书（元数据），不改数据本身。

dtype：每个元素占多少字节

dtype 告诉你每个元素占几个字节、怎么解释这串字节。

import numpy as np

np.dtype('int32').itemsize   # 4 字节
np.dtype('float64').itemsize # 8 字节

当你从二进制文件（WAV 音频、BMP 图片）读数据时，dtype 必须跟文件格式匹配，否则读出来的数据完全错乱。这不是”报错”，而是”数据对不上但程序不吭声”，更难排查。

strides：步长，理解 NumPy 性能的钥匙

strides 记录了在某个轴上前进 1 步，内存里要跳过多少字节。

a = np.array([[1, 2, 3, 4],
              [5, 6, 7, 8]], dtype=np.float64)

print(a.strides)   # (32, 8)

• strides[0] = 32：行前进 1 步 = 4 个元素 × 8 字节 = 32 字节
• strides[1] = 8：列前进 1 步 = 1 个元素 × 8 字节 = 8 字节

切片 a[1:3, 1:3] 几乎不花时间——它只是新建了一个 ndarray 对象，改了 shape 和 strides，数据没动。

b = a[1:3, 1:3]
b.base is a   # True —— 共享同一块数据

转置也是改步长：

c = a.T
c.strides   # (8, 32) —— 步长交换了

reshape 不一定”免费”：

#  免费：数据在内存里是连续的
a.reshape(2, 6)

#  可能触发复制：转置后数据不连续
a.T.reshape(2, 6)   # 可能产生副本

因为 a.T 的数据在内存里不连续，没法只靠改元数据来 reshape。

内存布局：C 风格 vs Fortran 风格

# C 风格（行优先）：最后一轴变化最快
c_style = np.arange(12).reshape(3, 4)

# Fortran 风格（列优先）：第一轴变化最快
f_style = np.array(c_style, order='F')

调用底层库（特别是 LAPACK 这种 Fortran 写的）时，内存布局不匹配会触发隐式复制，拖慢性能。知道这个，就能在创建数组时直接指定 order，避免后面被动复制。

广播机制：不同形状也能运算

广播允许不同形状的数组做算术运算，不复制数据。

a = np.array([[1, 2, 3],
              [4, 5, 6]])   # shape (2, 3)
b = np.array([10, 20, 30])  # shape (3,)

c = a + b   # 结果 (2, 3)
# b 被"广播"到每一行

广播的两条规则（背下来）：

1. 从最后一个维度开始往前比对
2. 两个维度要么相等，要么其中一个是 1，要么不存在

# 可以广播
a.shape: (2, 3, 4)
b.shape:    (3, 4)   # 4=4✓, 3=3✓, a 多出一个2 → 广播

#  无法广播
a.shape: (2, 3)
b.shape:    (4)      # 3≠4 ✗ → ValueError

广播的实际场景

场景1：标准化数据

data = np.random.rand(100, 50)
mean = data.mean(axis=0)   # shape (50,)
std = data.std(axis=0)     # shape (50,)
normalized = (data - mean) / std   # 广播自动处理

场景2：外积

x = np.array([1, 2, 3])   # (3,)
y = np.array([4, 5, 6])   # (3,)
outer = x[:, np.newaxis] * y   # (3,1) × (3,) → (3,3)

场景3：生成网格（画 3D 图常用）

X, Y = np.meshgrid(
    np.linspace(-1, 1, 100),
    np.linspace(-1, 1, 100)
)
Z = np.sin(X**2 + Y**2)

广播 vs 手动扩展：内存差异巨大

a = np.random.rand(10000, 100)
b = np.random.rand(100)

#  广播：不复制数据
result1 = a + b

#  手动扩展：多占了 10000*100*8 字节
b_expanded = np.tile(b, (10000, 1))
result2 = a + b_expanded

两者结果一样，但广播的内存效率高得多。数据量小看不出来，数据量大的时候直接决定程序能不能跑得动。

GRU：从“遗忘”到“记住”，门控循环单元如何重塑序列建模？

传统RNN在长序列面前总“健忘”，GRU用两个门教会了神经网络什么时候该记、什么时候该忘。

一、什么是GRU？

如果你接触过循环神经网络（RNN），一定听说过它的“远亲”LSTM，以及它的“近亲”——GRU。

门控循环单元（GRU）是循环神经网络（RNN）的一种重要变体，由Cho等人于2014年提出。

要理解GRU，得先知道它从哪来。传统RNN有一个致命问题——梯度消失，导致它处理长序列时记不住太久远的信息。为了解决这个问题，LSTM在1997年被发明，它通过复杂的门控机制让RNN终于能“记住”长距离的依赖。

但LSTM的结构太复杂了——三个门、一个额外的细胞状态，参数多、计算慢。于是，Cho等人在LSTM的基础上做了一个“减法”，提出了GRU。它继承了LSTM的核心门控思想，但把结构大幅简化：三个门变成两个，去掉独立的细胞状态，用更少的参数达到相近的性能。

换句话说，GRU可以理解为LSTM的“轻量版”或“精简版”——在效率和效果之间找到了更优的平衡点。

那GRU和传统RNN最大的区别是什么？

想象一下你在读一本小说。传统RNN就像记忆力极差的人，读到第100页时，已经想不起第1页的主角名字了。而GRU则像一个聪明的读者，他会主动判断：哪些信息是重要的，需要记在心里；哪些是无关的，可以直接忽略；当剧情发生转折时，他会清空旧记忆、迎接新情节。

这种“智能记忆”的能力，就来自GRU内部的两个关键结构：

• 重置门（Reset Gate）：决定“忘记多少过去的记忆”。如果上一时刻的信息和当前任务无关，重置门可以把它“清空”，让模型从当前输入重新开始。

• 更新门（Update Gate）：决定“保留多少旧记忆、吸收多少新信息”。当更新门接近1时，模型会一直“记住”很久以前的信息；当它接近0时，模型会完全用新信息替换旧状态。

正是这两个门相互配合，让GRU既不会“健忘”，也不会“被噪音淹没”。

---

二、为什么需要GRU？它解决了什么问题？

传统RNN的致命缺陷：梯度消失

在GRU诞生之前，传统RNN虽然在语言建模、时间序列预测等领域崭露头角，但始终被一个致命问题困扰——梯度消失（Vanishing Gradient）。

从“记忆大师”到“算力吞金兽”：一文读懂LSTM的前世、今生与未来

在深度学习的浩瀚星海中，长短期记忆网络（LSTM） 曾是一颗璀璨的恒星。它不仅是学术界的重要里程碑，更是工业界落地时间序列问题的“银弹”。

今天，我们不只聊LSTM的原理，更想从“Why、What、How、Future”四个维度，带你重新审视这位曾经的序列之王——它为何而生、它带来了什么麻烦、以及它的后继者是谁。

一、 什么是LSTM？——RNN家族的“反遗忘战士”

LSTM，全称Long Short-Term Memory，属于循环神经网络（RNN）的一个特殊变种。如果标准RNN是“金鱼记忆”（只能记住几秒钟前的事），那么LSTM就是试图通过精密的细胞机制，实现“选择性遗忘与长期记忆”的AI大脑。

LSTM的核心“黑科技”在于细胞状态（Cell State）和门控机制（Gates）。

你可以把细胞状态想象成一条贯穿始终的传送带，信息在上面流动几乎不做改变，这是长期记忆的物理载体。而遗忘门、输入门、输出门则像三个智能阀门：

• 遗忘门：决定扔掉哪些没用的旧信息（比如“昨天午饭吃了什么”）。
• 输入门：决定把哪些新信息存入大脑（比如“今天会议的结论”）。
• 输出门：决定基于当前记忆，对外输出什么内容。

正是这种精巧的设计，让LSTM具备了处理长序列的潜力。

二、 为什么需要LSTM？——救RNN于“水火之中”

在LSTM诞生之前，传统的RNN在反向传播时面临致命的梯度消失和梯度爆炸问题。简单来说，当序列长度超过一定限度（比如50个字），RNN的梯度会在连乘中趋近于0（消失）或变得极大（爆炸），导致模型无法更新权重，直接“罢工”。

LSTM正是为了解决“长期依赖”而生。 它用加和的方式替代了连乘，让梯度能无损地流过细胞状态，从而捕捉到上百个时间步之前的关联。