numpy.gradientの機能は何であり、どのようにそれを多変数関数の勾配の計算に使用するのかは分かりません。NumPyによる勾配の計算
例えば、私はそのような機能を持っている：私はそれが3次元のグラデーションの計算する必要が
def func(q, chi, delta):
return q * chi * delta
は（他の言葉で、私はすべての変数（Q、カイに関して偏微分を計算したいです、デルタ））。
NumPyを使用してこの勾配を計算するにはどうすればよいですか？
で
sudo apt-get install python-sympy
または任意のLinuxディストリビューションの下でUbuntuの下Sympyをインストールすることができますにオプション：
NUMPY付き
基本的には、3次元のグリッドを定義し、このグリッド上の関数を評価することです。その後、関数値のこのテーブルをnumpy.gradientに送り、すべての次元（変数）の数値微分で配列を取得します。
hereから例：
from numpy import *
x,y,z = mgrid[-100:101:25., -100:101:25., -100:101:25.]
V = 2*x**2 + 3*y**2 - 4*z # just a random function for the potential
Ex,Ey,Ez = gradient(V)
numpyの
なくてもcentered difference quotientを使用することによって派生を自分で計算することができます。 
これは、基本的には、定義済みのグリッドのすべてのポイントについて、何かnumpy.gradientis doingです。
またtheanoはnumpyの直接ポイントの全体のグリッドを作成することなく、勾配の計算をサポートしていない自動
http://deeplearning.net/software/theano/tutorial/gradients.html
勾配を計算することができます。代わりに、私は使用しますautodifferentiation https://code.activestate.com/recipes/580610-auto-differentiation/ Pythonでそれを行う方法についてはを参照してください。
あなたはscipy.optimize.approx_fprime
f = lambda x: x**2
approx_fprime(np.array([2]), f, epsilon=1e-6) # array([ 4.000001])
おかげで、ステファンを使用することができます！実際には、デリバティブマニュアル（フレームワークなし）をどのように計算するのかを理解していますが、np.gradientがどのように動作するのか理解できませんでした。以前は、この目的のためにC++とgslの組み合わせを使用しましたが、このアプローチではあまりにも多くのコーディングが必要です。 –
正確には、式はnumpy.diffと同じです。 'numpy.gradient'は似ていますが、境界では特別な動作をします。 – Mark
@マーク： 'numpy.gradient'は' numpy.diff'よりもこの式（$ + \ Delta x $と$ - \ Delta x $の中心の差の商）の方がはるかに似ています – user66081