符号微分 · 机械的规则 · 符号计算的艺术

符号求导是符号计算里最「顺」的操作：一组有限的规则，机械地递归应用，总能算、还精确。这一章看 SymPy 的 diff、高阶与偏导，并说清它和数值微分的天壤之别，以及它如何长成了深度学习的引擎——自动微分。

符号微分 · 机械的规则

进入微积分的符号版。第一站是求导，而它有个让人愉快的性质：简单。我们在「计算即重写」那章已经剧透过——求导不过是几条规则递归地作用在树上。这一章把它讲全，并揭示它一个了不起的现代身份。

diff：总能算，还精确

SymPy 的 diff 求导，信手拈来：

from sympy import *
x, y = symbols('x y')

print(diff(sin(x**2), x))          # 2*x*cos(x**2)         —— 链式法则
print(diff(exp(x)*sin(x), x))      # exp(x)*sin(x) + exp(x)*cos(x)   —— 乘积法则
print(diff(x**3, x, 2))            # 6*x                   —— 二阶导(求两次)
print(diff(x**2 * y**3, x, y))     # 6*x*y**2              —— 混合偏导 ∂²/∂x∂y

链式、乘积、幂、偏导、高阶……全都手到擒来，而且结果精确。这背后没有任何近似——就是那五条规则（和的导数=导数的和、乘积法则、幂法则、链式法则……）机械地递归到底。

求导是「可判定、可机械化」的典范：任何初等函数，求导规则都是有限的、确定的，一步步套下去，一定能得到答案。 没有搜索、没有猜测、没有「算不出来」。这和下一章的积分形成刺眼的对比——那里没有万能规则，有些函数甚至根本没有初等原函数。求导易如反掌，积分举步维艰——这个不对称是微积分符号版最迷人的主题。

和数值微分，天壤之别

还记得孪生专栏里数值微分那章的痛苦吗？用差商 $\frac{f(x+h)-f(x)}{h}$ 近似导数， $h$ 太大不准、太小又被灾难性抵消反噬，误差呈 U 形，存在一个尴尬的「最优 $h$ 」。符号微分把这些痛苦一扫而空：

	数值微分	符号微分
怎么算	差商近似 $\frac{f(x+h)-f(x)}{h}$	套求导规则
要选步长 $h$ 吗	要，还很难选	不用
精度	有截断 + 抵消误差（U 形）	精确，无误差
给出的是	某一点的一个近似数	整个导函数的公式
局限	每点都得重算、误差难控	表达式可能膨胀

符号微分给的不是「 $x=1$ 处导数约等于 $0.54$ 」，而是整条导函数 $\cos x$ ——精确、解析、放之四海。当你需要的是公式（而非某点的一个数）时，符号微分无可替代。

它的现代身份：自动微分

符号微分最耀眼的地方，是它悄悄长成了深度学习的引擎。训练神经网络要对上百万参数求梯度，靠的是自动微分（automatic differentiation, autodiff）——而 autodiff 的灵魂，正是符号微分那套求导规则：

自动微分 = 把符号求导的链式法则，施加到「计算图」上。 神经网络的前向计算是一张由加、乘、exp、max 等运算搭成的树 / 图。反向传播做的，就是沿着这张图，机械地套链式法则，把梯度一层层传回去——和符号微分同一套规则。

区别只在工程手法：纯符号微分会把导数写成一个大表达式（容易膨胀）；而 autodiff 一边算数值、一边套规则，复用中间结果，避免了表达式爆炸。可以说，autodiff 是符号微分规则 + 数值求值的联姻——PyTorch、JAX、TensorFlow 每天在 GPU 上跑的，正是这门古老符号手艺的现代化身。求导规则的机械性，是整个深度学习得以自动化的根基。

小结与下一章

符号微分是机械、可判定、精确的：一组有限的求导规则递归套用，链式 / 乘积 / 高阶 / 偏导皆信手拈来（diff），给出的是整条导函数而非某点近似——彻底摆脱数值微分的步长与 U 形误差之苦。它更是自动微分的灵魂：把链式法则施加到计算图上，撑起了整个深度学习。

求导这么顺，积分呢？下一章你会撞上一堵墙：积分没有万能规则，有的函数根本没有初等原函数，而计算机能证明这一点。这堵墙背后，是符号积分深刻而美丽的理论——Risch 算法。👉 符号积分：为什么难得多。

参考文献

[1] SymPy 文档.「Calculus: Derivatives.」https://docs.sympy.org/latest/tutorials/intro-tutorial/calculus.html
[2] Baydin et al.「Automatic Differentiation in Machine Learning: a Survey.」JMLR, 2018. —— 符号微分与 autodiff 的关系。
[3] Griewank & Walther.《Evaluating Derivatives》—— 自动微分权威。

符号微分 · 机械的规则