实验 02 · Python 与数学最小坡道 — 读懂第4章代码前的最小练习集

本实验为进入第4章独立手写标量自动微分引擎（Value）和实现有限差分数值对拍（gradcheck）建立稳固的编程与微积分直觉。你可以先在下方免安装的网页交互组件中即时体验核心数学机制，随后在本地运行完整的 36 道自动化判分练习集。

---

网页即时交互实验：中心差商数值导数与对拍

在微积分理论中，导数定义为极限 $\underset{h\to 0}{lim}\frac{f(x+h)-f(x)}{h}$。但在计算机浮点数世界中，由于存在截断误差与舍入误差，简单的单侧采样容易带来显著失真。现代深度学习引擎（如 PyTorch 与本书第 4 章的 gradcheck）普遍采用对称中心差商：

$$f^{\prime }(x)\approx \frac{f(x+h)-f(x-h)}{2h},h\approx {10}^{-5}$$

通过在 $x$ 两侧对称采样，泰勒展开中的二阶误差项 $\frac{f^{″}(x)}{2}{h}^2$ 发生完美奇偶抵消，使截断误差由 $O(h)$ 跃升至 $O(h^2)$。

你可以直接在下方交互实验台中直观验证该物理机制，并在线完成测试用例对拍：

在线实验 02

中心差商数值导数与对拍演练

中心差商 [f(x + h) - f(x - h)] / (2h) 通过在目标点两侧对称采样，让泰勒展开中的二阶误差项相互抵消，达到 O(h²) 极高逼近精度。滑动下方的步长 h，观察割线如何完美收敛于真实切线。

选择测试函数：

求导位置 x = 2.00

步长 h = 10⁻⁵ (推荐)

解析切线斜率 (真实导数): 12.000000

中心差商割线斜率 (近似导数): 12.000000

解析真实导数 f'(x)12.00000000通过微积分法则直接推导

中心差商数值导数12.00000000 绝对误差: 2.118e-10

前向差商 (单侧采样)12.00006000 绝对误差: 6.000e-5 (比中心差商大 283235 倍)

编写你的差商表达式。点击「运行对拍测试」，浏览器将在纯客户端安全执行并与标准答案逐位对拍（对应 Python python/tests/test_w0p_python_math.py）。

Python / 数值计算函数体

def difference_quotient(f, x, h=1e-5):
    return

差商表达式输入

Google Pro 云端实验

实验 02 · Python 与数学坡道 Colab 交互实验场

⬇️ 下载 .ipynb

⚡推荐规格：Google Pro A100 / L4 GPU (或 CPU)

支持一键跳转 Google Colab Pro 运行；本章轻量数学计算 CPU 即可极速完成

🚀 A100/L4 算力💾 Google Drive 挂载⏱️ High-RAM 后台运行

💡 运行提示：若本仓库为 GitHub 私有仓库，首次在 Colab 打开时请在弹出的对话框中点击「Authorize with GitHub」授权读取；或直接点击「⬇️ 下载 .ipynb」并在 Colab 中选择「上传笔记本」运行。

🐍

在线 Python 终端沙箱 (按需加载 WebAssembly)

无需离开页面，在浏览器端直接手写 Python 代码并验证差商与 Softmax 计算

↗ 独立演练台

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

# 实验 02 · 动手挑战：实现中心差商数值求导
def diff_quotient(f, x, h=1e-5):
    # TODO: 实现中心差商公式: (f(x+h) - f(x-h)) / (2h)
    pass
 
# 目标测试函数: f(x) = x^3, 其解析导数为 f'(x) = 3*x^2
f = lambda t: t**3
x_test = 2.0
val = diff_quotient(f, x_test, h=1e-5)
true_derivative = 3.0 * (x_test ** 2)  # 12.0
 
print(f"输入测试点 x: {x_test}")
print(f"数值差商计算值: {val}")
print(f"理论真实解析值: {true_derivative}")
 
assert val is not None, "diff_quotient 尚未实现，返回值不能为 None"
assert abs(val - true_derivative) < 1e-4, f"误差过大: {abs(val - true_derivative)}"
print("🎉 中心差商有限差分算法与泰勒展开误差断言 100% 通过！")
 

# 实验 02 · 动手挑战：实现中心差商数值求导 def diff_quotient(f, x, h=1e-5): # TODO: 实现中心差商公式: (f(x+h) - f(x-h)) / (2h) pass # 目标测试函数: f(x) = x^3, 其解析导数为 f'(x) = 3*x^2 f = lambda t: t**3 x_test = 2.0 val = diff_quotient(f, x_test, h=1e-5) true_derivative = 3.0 * (x_test ** 2) # 12.0 print(f"输入测试点 x: {x_test}") print(f"数值差商计算值: {val}") print(f"理论真实解析值: {true_derivative}") assert val is not None, "diff_quotient 尚未实现，返回值不能为 None" assert abs(val - true_derivative) < 1e-4, f"误差过大: {abs(val - true_derivative)}" print("🎉 中心差商有限差分算法与泰勒展开误差断言 100% 通过！")

Python 3行 1, 列 119 行 · 546 字符

运行：⌘ / Ctrl + ↵

就绪 (点击运行)

点击右上角「▶ 运行」或按 ⌘/Ctrl+Enter 在浏览器端直接执行

交互实验指南与思考题

1. 几何割线逼近切线：在「几何直觉」标签中，滑动步长 $h$（从 $1.0$ 逐步缩小至 ${10}^{-5}$），观察蓝色实线（割线斜率）如何逐步旋转并精确重合到红色虚线（解析真实切线）上。
2. 极端工况与浮点灾难：尝试将步长切换至 ${10}^{-17}$，观察为何界面弹出红色警报？在 IEEE 754 规范中，当 $h$ 小于计算机机器精度（$ϵ\approx 2.22\times {10}^{-16}$）时，浮点加法 $x+h$ 将直接等于 $x$，导致分子相减归零。这正是工业级 autograd 不能将 $h$ 取无限小，而是选用 ${10}^{-5}$ 的物理根因。
3. 在线手写与断言对拍：切换至「在线手写」标签，尝试点击「试探前向差商」观察为什么测试用例报错未达标；再切换回中心差商，点击「运行对拍测试」，查看 4 组用例的实时 PASS 状态。

---

本地 36 题自动化测试重跑

在通过网页交互建立直觉后，强烈建议在本地环境完成完整的 36 道 Python 与数学坡道练习（覆盖 dunder 魔术方法、闭包、NumPy 广播与梯度向量）：

cd <仓库根目录>
source .venv/bin/activate
export PYTHONPATH="$PWD/python"

# 运行全量 36 道练习的自动判分套件
pytest python/tests/test_w0p_python_math.py -v

核心练习分类索引

模块板块	核心考察练习	对应第4章手写机制
Python 最小集	Vector2D.__add__、Vector2D.__mul__	Value 类运算符重载与计算图构建
闭包机制	make_counter、make_adder	_backward 局部梯度反向传播闭包
NumPy 与张量	numpy_shape_stride、manual_matmul	广播机制与第7/8章高维张量变形
微积分直觉	difference_quotient、partial_derivative	数值有限差分与 gradcheck 对拍契约

---

下一步

→ 返回第2章正文查看 Python 工程底座 或 第3章数学速查库
→ 进入实验 03：标量 autograd 与计算图实现