---

这是 DiffSharp 1.0 的开发分支。

注意：本分支仍在开发中。其代码、功能和设计尚不完善，可能会在未事先通知的情况下进行调整；在使用 TorchSharp 后端时，目前仅支持 x64 平台，详情请参阅 [DEVGUIDE.md]。

DiffSharp 是一个张量库，支持【可微编程】（https://en.wikipedia.org/wiki/Differentiable_programming）。它专为机器学习、概率编程、优化及其他领域而设计。

关键特性

• 嵌套式与混合模式的求导
• 常用的优化器、模型元素以及可微概率分布
• 采用 F# 实现稳健的函数式编程
• 采用 PyTorch 熟悉的命名方式与惯用法，同时提供高效的 LibTorch CUDA/C++ 张量，并支持 GPU 加速
• 支持 Linux、macOS 和 Windows
• 可在 Jupyter 和 Visual Studio Code 中使用交互式笔记本
• 100% 开源

文档

您可以在【这里】（https://diffsharp.github.io/）找到文档，其中包含有关安装及快速入门的相关信息。

版本发布说明可在【这里】（https://github.com/DiffSharp/DiffSharp/blob/dev/RELEASE_NOTES.md）查阅。

沟通

如需分享错误报告、功能请求、安装问题或建议等，请使用【GitHub 问题】（https://github.com/DiffSharp/DiffSharp/issues）。

贡献

我们欢迎所有贡献者。

• 错误修复：如果您发现任何问题，请打开一个【问题】（https://github.com/DiffSharp/DiffSharp/issues），详细描述该问题。若您计划提交错误修复方案，请随时通过拉取请求的方式参与贡献。
• 新功能开发：若您计划贡献新功能，请先在【问题】（https://github.com/DiffSharp/DiffSharp/issues）上发起讨论，再创建拉取请求。

团队

DiffSharp 由【Atılım Güneş Baydin】（http://www.robots.ox.ac.uk/~gunes/）、【Don Syme】（https://www.microsoft.com/en-us/research/people/dsyme）以及其他贡献者共同开发，最初由自动微分领域的专家【Barak Pearlmutter】（https://scholar.google.com/citations?user=AxFrw0sAAAAJ&hl=en）和【Jeffrey Siskind】（https://scholar.google.com/citations?user=CgSBtPYAAAAJ&hl=en）负责监督的项目起步。

许可证

DiffSharp 采用 BSD 2-Clause “Simplified” 许可证，您可在本仓库的【LICENSE】（https://github.com/DiffSharp/DiffSharp/blob/dev/LICENSE）文件中找到相关条款。

DiffSharp 快速上手指南

DiffSharp 是一个支持可微分编程的张量库，专为机器学习、概率编程和优化领域设计。它基于 F# 语言，提供嵌套及混合模式求导功能，并兼容 PyTorch 的命名习惯与 LibTorch 后端（支持 GPU 加速）。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows。
• 运行时环境：安装 .NET SDK (建议最新版本)。
• GPU 支持 (可选)：
  • 若需使用 CUDA 加速，请确保已安装适配的 NVIDIA 驱动和 CUDA Toolkit。
  • 注意：当前开发分支在使用 TorchSharp 后端时，默认仅支持 x64 平台。
• 开发工具 (可选)：推荐使用 Visual Studio Code (配合 Ionide-F# 插件) 或 Jupyter Notebook (.NET Interactive) 进行交互式开发。

安装步骤

1. 创建新项目

打开终端，运行以下命令创建一个新的 F# 控制台应用：

dotnet new console -lang F# -n DiffSharpDemo
cd DiffSharpDemo

2. 添加 DiffSharp 包

根据您的需求安装核心库及后端支持。

基础安装 (CPU):

dotnet add package DiffSharp

带 GPU 支持 (LibTorch/CUDA): 如果您需要使用 GPU 加速，需额外安装对应的后端包（请根据您的 CUDA 版本选择）：

# 示例：安装带有 CUDA 支持的 LibTorch 后端
dotnet add package DiffSharp.Backends.LibTorch
# 注意：具体版本和变体请参考 NuGet 上的最新包名，如 DiffSharp.Backends.LibTorch.Cuda-11.x

提示：国内开发者若遇到 NuGet 下载缓慢，可临时切换至国内镜像源：

dotnet add package DiffSharp --source https://api.nuget.org/v3/index.json
# 或使用腾讯云/阿里云镜像配置 nuget.config

基本使用

以下是一个最简单的示例，演示如何定义张量、执行运算并进行自动求导。

新建或编辑 Program.fs 文件，输入以下代码：

open DiffSharp

// 初始化后端 (默认使用 CPU，若安装了 GPU 包可自动检测或手动指定)
Backend.Default <- Backend.Torch

// 1. 创建张量
let x = tensor [ 1.0; 2.0; 3.0 ]

// 2. 定义一个可微函数: f(x) = x^2 + 2x
let f x = x * x + 2.0 * x

// 3. 计算函数值
let y = f x
printfn "函数值 f(x): %A" y

// 4. 自动求导 (计算梯度 df/dx)
// grad 函数返回输入变量的梯度
let g = grad f x
printfn "梯度 df/dx: %A" g

// 预期输出:
// 函数值 f(x): [3.0; 8.0; 15.0]
// 梯度 df/dx: [4.0; 6.0; 8.0]  (即 2x + 2)

运行项目

在终端执行：

dotnet run

您将看到计算结果和自动求导后的梯度输出。至此，您已成功运行了第一个 DiffSharp 程序。