本文详解如何利用 Autograd 实现 SIR 流行病模型的参数（β 和 γ）自动微分优化，重点解决 odeint 与 Autograd 兼容性问题，适用于仅掌握 NumPy 的本科生教学场景。
本文详解如何利用 autograd 实现 sir 流行病模型的参数（β 和 γ）自动微分优化，重点解决 `odeint` 与 autograd 兼容性问题，适用于仅掌握 numpy 的本科生教学场景。
在传染病建模中，SIR 模型（Susceptible–Infected–Recovered）是理解传播动力学的基础工具。其参数 β（感染率）和 γ（康复率）往往未知，需通过观测数据反演估计。手动推导损失函数对参数的梯度复杂且易错；而借助 Autograd 可实现零代码修改的自动微分——前提是正确处理其与数值积分器的兼容性。
关键挑战在于：标准 SciPy 的 odeint 不支持 Autograd 的计算图追踪。若直接使用 scipy.integrate.odeint，Autograd 会尝试对其内部 C 实现进行符号追踪，导致 ValueError: setting an array element with a sequence 等运行时错误。
✅ 正确解法是：改用 Autograd 提供的封装版 odeint，并严格遵循其调用约定：
from autograd.scipy.integrate import odeint # ✅ 必须使用此版本
同时注意两点：
- 参数必须以 元组（tuple）形式传入，而非关键字参数（如
args=(beta, gamma)）； -
odeint调用必须使用位置参数顺序：odeint(func, y0, t, params_tuple)，不可混用关键字。
以下是可直接运行的完整示例（含梯度下降训练循环）：
import autograd
import autograd.numpy as np
import matplotlib.pyplot as plt
from autograd.scipy.integrate import odeint
from autograd.builtins import tuple
from autograd import grad
def sir(y, t, beta, gamma):
S, I, R = y
dS_dt = -beta * S * I
dI_dt = beta * S * I - gamma * I
dR_dt = gamma * I
return np.array([dS_dt, dI_dt, dR_dt])
def loss(params, Y0, t, y_obs):
beta, gamma = params
params_tuple = tuple([beta, gamma]) # 转为元组，适配 autograd.odeint
sol = odeint(sir, Y0, t, params_tuple) # ✅ 位置参数调用
return np.linalg.norm(y_obs - sol) # L2 损失
# 生成合成观测数据（带噪声）
np.random.seed(42)
Y0 = np.array([0.95, 0.05, 0.0])
t = np.linspace(0, 30, 101)
true_beta, true_gamma = 0.5, 1/14
sol_true = odeint(sir, Y0, t, tuple([true_beta, true_gamma]))
y_obs = sol_true + np.random.normal(0, 0.05, size=sol_true.shape)
# 初始化参数 & 定义梯度
params = np.array([0.3, 0.05]) # 初始猜测
loss_grad = grad(loss, argnum=0)
learning_rate = 0.01
n_iterations = 200
# 执行梯度下降
loss_history = []
for i in range(n_iterations):
grads = loss_grad(params, Y0, t, y_obs)
params -= learning_rate * grads
loss_val = loss(params, Y0, t, y_obs)
loss_history.append(loss_val)
if i % 50 == 0:
print(f"Iter {i}: β={params[0]:.4f}, γ={params[1]:.4f}, loss={loss_val:.4f}")
print(f"✅ 最终估计: β ≈ {params[0]:.4f}, γ ≈ {params[1]:.4f}")
print(f"✅ 真实值: β = {true_beta}, γ = {true_gamma:.4f}")? 重要注意事项：
- ❌ 禁止混用
scipy.integrate.odeint与 Autograd —— 即使函数签名相同，底层不支持微分； - ❌ 避免在
odeint中使用args=关键字参数，必须用tuple+ 位置传参； - ⚠️ Autograd 的
odeint仅支持lsoda算法，但对大多数 SIR 场景已足够稳定； - ? 若损失不下降，检查初始学习率（建议
1e-3 ~ 1e-2）及参数初始化范围（β > 0, γ > 0）； - ? 建议绘制
loss_history曲线验证收敛性，并用最终参数重跑仿真对比y_obs。
该方法将微分逻辑完全交由 Autograd 处理，学生只需理解“定义模型→定义损失→调用 grad→更新参数”四步流程，无缝衔接 NumPy 思维，为后续过渡到 JAX/PyTorch 奠定直观基础。
