Я использую scipy.interpolate.RegularGridInterpolator
с method='linear'
. Получить интерполированные значения очень просто (см. пример в https://docs.scipy.org/doc/scipy-0.16.0/reference/generated/scipy.interpolate.RegularGridInterpolator.html). Каков хороший способ получения градиентов вместе с интерполированными значениями?
Одна из возможностей состоит в том, чтобы вызвать интерполятор несколько раз и вычислить градиент «вручную», используя конечные разности. Это кажется расточительным, учитывая, что каждый вызов интерполятора, вероятно, уже вычисляет градиент под капотом. Это правильно? Если да, то как я могу изменить RegularGridInterpolator, чтобы он возвращал как значение интерполированной функции, так и ее градиент?
Чтобы было ясно, меня не интересует «истинный» градиент функции, которую я интерполирую, - просто градиент линейного приближения, например. градиент my_interpolating_function
в примере на https://docs.scipy.org/doc/scipy-0.16.0/reference/generated/scipy.interpolate.RegularGridInterpolator.html.
Вот пример. У меня есть функция f
, я создаю линейный интерполятор f_interp
, и меня интересует градиент f_interp
(в отличие от градиента f
). Я могу вычислить его, используя конечные разности, но есть ли лучший способ? Я предполагаю, что RegularGridInterpolator
уже вычисляет градиент под капотом - и делает это быстро. Как я могу изменить его, чтобы вернуть градиент вместе с интерполированными значениями?
import matplotlib.pyplot as plt
import numpy as np
import scipy.interpolate as interp
def f(x, y, z):
return 0.01*x**2 + 0.05*x**3 + 5*x*y + 3*x*y*z + 0.1*x*(y**2)*z + 9*x*z**2 - 2*y
x_grid = np.linspace(0.0, 10.0, 20)
y_grid = np.linspace(-10.0, 10.0, 20)
z_grid = np.linspace(0.0, 20.0, 20)
mesh = np.meshgrid(x_grid, y_grid, z_grid, indexing="ij")
f_on_grid = f(mesh[0], mesh[1], mesh[2])
assert np.isclose(f_on_grid[0, 0, 0], f(x_grid[0], y_grid[0], z_grid[0])) # Sanity check
grid = (x_grid, y_grid, z_grid)
f_interp = interp.RegularGridInterpolator(grid, f_on_grid, method="linear",
bounds_error=False, fill_value=None)
dense_x = np.linspace(0.0, 20.0, 400)
plt.plot(dense_x, [f_interp([x, 1.0, 2.0])[0] for x in dense_x], label="y=1.0, z=2.0")
plt.plot(dense_x, [f_interp([x, 1.0, 4.0])[0] for x in dense_x], label="y=1.0, z=4.0")
plt.legend()
plt.show()
f_interp([0.05, 1.0, 2.0]) # Linearly interpolated value, distinct from f(0.05, 1.0, 2.0)
## Suppose I want to compute both f_interp and its gradient at point_of_interest
point_of_interest = np.array([0.23, 1.67, 5.88])
f_interp(point_of_interest) # Function value -- how can I get f_interp to also return gradient?
## First gradient calculation using np.gradient and a mesh around point_of_interest +- delta
delta = 0.10
delta_mesh = np.meshgrid(*([-delta, 0.0, delta], ) * 3, indexing="ij")
delta_mesh_long = np.column_stack((delta_mesh[0].flatten(),
delta_mesh[1].flatten(),
delta_mesh[2].flatten()))
assert delta_mesh_long.shape[1] == 3
point_plus_delta_mesh = delta_mesh_long + point_of_interest.reshape((1, 3))
values_for_gradient = f_interp(point_plus_delta_mesh).reshape(delta_mesh[0].shape)
gradient = [x[1, 1, 1] for x in np.gradient(values_for_gradient, delta)]
gradient # Roughly [353.1, 3.8, 25.2]
## Second gradient calculation using finite differences, should give similar result
gradient = np.zeros((3, ))
for idx in [0, 1, 2]:
point_right = np.copy(point_of_interest)
point_right[idx] += delta
point_left = np.copy(point_of_interest)
point_left[idx] -= delta
gradient[idx] = (f_interp(point_right)[0] - f_interp(point_left)[0]) / (2*delta)
gradient # Roughly [353.1, 3.8, 25.2]
Вот изображение f и f_interp. Меня интересует градиент f_interp (сплошные линии):