Python 给定函数的计算偏导数优化函数

我需要优化一个函数（找到它的最小值）。该函数通过向量

w

进行参数化。我基本上是计算函数对每个参数的偏导数。然后我简单地使用梯度下降法。然而，据我所知，人们可以使用比梯度下降更复杂的优化方法，而梯度下降不需要调整或关注参数。我想在

numpy

或

scipy

中尝试其中一种方法，但我不知道如何使用。我需要的是一个方法，它接受计算的偏导数值作为输入，然后优化函数。在

numpy

或

scipy

中是否存在类似的内容？

为您提供了输入目标函数的雅可比和海森的选项：

jac:bool或callable，可选

目标函数的雅可比（梯度）。仅适用于CG、BFGS、牛顿CG、L-BFGS-B、TNC、SLSQP、狗腿、信托ncg。如果jac是一个布尔值且为真，则假定fun随目标函数返回梯度。如果为False，将以数值方式估计梯度。jac也可以是返回目标梯度的可调用函数。在这种情况下，它必须接受与fun相同的参数。
赫斯

hessp：可调用，可选

目标函数的Hessian（二阶导数矩阵）或目标函数的Hessian乘以任意向量p。仅适用于牛顿CG、狗腿、信任ncg。只需提供一个hessp或hess。如果提供hess，则忽略hessp。如果既不提供hess也不提供hessp，则将使用jac上的有限差分近似Hessian乘积。hessp必须计算Hessian乘以任意向量

正如@ffriend在评论中提到的，你可以找到一些有梯度和没有梯度的例子
 有些，有梯度的和没有梯度的。@f朋友，谢谢！我在答案中添加了这一点，因为这是一个相当全面的教程。