在 Python 中，要计算 $ e^z $（其中 $ z $ 是一个变量或函数传入的参数），你可以使用以下几种方式来实现： --- ## ✅ 方法一：使用 `math` 模块（适用于标量） 如果 $ z $ 是一个 **标量值**（例如 float 或 int），可以使用标准库中的 `math.exp(z)`。 ```python import math def compute_exp(z): return math.exp(z) # 示例调用 print(compute_exp(2)) # e^2 ≈ 7.389056098930649 ``` ### 🔍 解释： - `math.exp(z)` 计算的是自然指数函数 $ e^z $ - 只能处理单个数字（不能处理列表、数组、复数等） --- ## ✅ 方法二：使用 `numpy` 模块（适用于数组/矩阵） 如果 $ z $ 是一个 **NumPy 数组或多维数组**，推荐使用 `np.exp(z)`，它可以对整个数组进行向量化运算。 ```python import numpy as np def compute_exp(z): return np.exp(z) # 示例调用 z = np.array([0, 1, 2]) print(compute_exp(z)) # [1. 2.71828183 7.3890561 ] ``` ### 🔍 解释： - `np.exp()` 支持广播和向量化操作，适合大规模数据计算 - 输入可以是标量、列表、多维数组等 --- ## ✅ 方法三：使用 `sympy` 模块（适用于符号表达式） 如果你正在做 **符号数学计算**（如求导、积分、解方程等），可以使用 `sympy.exp(z)`。 ```python from sympy import symbols, exp z = symbols('z') expr = exp(z) # 表示 e^z print(expr.subs(z, 2)) # 代入 z=2，输出 e^2 ``` ### 🔍 解释： - `sympy.exp(z)` 返回的是一个符号表达式 - 可用于构建数学模型、解析推导等 --- ## ✅ 方法四：自定义函数中使用（综合示例） ```python import numpy as np def sigmoid(z): return 1 / (1 + np.exp(-z)) # 示例调用 z = np.array([-1, 0, 1]) print(sigmoid(z)) # 输出: [0.26894142 0.5 0.73105858] ``` 这个例子中，我们使用了 `np.exp()` 来实现 Sigmoid 函数，广泛应用于神经网络激活函数中。 --- ## 📌 总结对比表： | 方法 | 模块 | 输入类型 | 是否支持数组 | 是否支持符号 | |------|------|-----------|----------------|----------------| | `math.exp(z)` | `math` | 标量 | ❌ | ❌ | | `np.exp(z)` | `numpy` | 标量、数组 | ✅ | ❌ | | `sympy.exp(z)` | `sympy` | 符号变量 | ❌ | ✅ | ---