NumPy 中的 gradient 函数怎么用

NumPy中的`gradient`函数可以用于计算一个多维数组的梯度。梯度是指一个多维函数在每个自变量处的偏导数向量，可以看作是该函数在每个自变量处的变化率。使用`gradient`函数可以计算出多维数组在每个维度上的梯度向量。

该函数的语法为：`numpy.gradient(f, *varargs, **kwargs)`，其中参数`f`是需要计算梯度的多维数组，`*varargs`和`**kwargs`是可选参数，用于指定梯度计算的方式。

例如，以下代码演示了如何使用`gradient`函数计算一个二维数组的梯度：

import numpy as np

# 创建一个二维数组
arr = np.array([[1, 2, 6], [3, 4, 5], [6, 7, 8]])

# 计算数组在每个维度上的梯度向量
grad_x, grad_y = np.gradient(arr)

# 打印梯度向量
print('grad_x:', grad_x)
print('grad_y:', grad_y)

输出结果为：

grad_x: [[ 2.   2.   0. ]
         [ 1.   1.   0. ]
         [ 1.   1.   0. ]]
grad_y: [[ 1.   2.   3. ]
         [ 1.   2.5  3. ]
         [ 1.   1.   1. ]]

其中`grad_x`表示数组在水平方向上的梯度向量，`grad_y`表示数组在垂直方向上的梯度向量。可以看到，在本例中，数组在水平方向上的梯度向量是`(2, 2, 0)`，表示数组在每一行上的变化率相同，而在垂直方向上的梯度向量是`(1, 2.5, 3)`，表示数组在每一列上的变化率不同。