Appearance
demo_arrhenius.py
复制以下内容并保存为 demo_arrhenius.py,使用方法见配套代码说明。
python
# ===========================================================================
# 代码清单 2-6 案例一:Arrhenius 与 Clausius-Clapeyron 拟合(依赖 linear_unit、chem_data)
# ===========================================================================
"""
案例一:Arrhenius 方程就是一个一元线性单元。
本程序完成四件事:
1. 用梯度下降拟合 Arrhenius 直线,反推活化能 Ea 和指前因子 A
2. 比较横坐标取 1/T、1000/T 与标准化 1000/T 时的条件数与收敛情况
3. 把同一套代码用于水的 Clausius-Clapeyron 关系,求汽化焓
4. 对比批量、小批量与随机梯度下降
"""
import math
import unicodedata
from linear_unit import LinearUnit, StandardScaler, condition_number, r2_score
from chem_data import (ARRHENIUS_N2O5_LITERATURE_EA, build_arrhenius_dataset,
build_water_vapor_dataset)
R_GAS = 8.314 # J/(mol·K)
def display_width(text):
"""终端里中文占两格,这个函数用来对齐表格。"""
return sum(2 if unicodedata.east_asian_width(ch) in "WF" else 1
for ch in text)
def pad(text, width, align="left"):
"""按显示宽度补空格。"""
space = " " * max(0, width - display_width(text))
if align == "right":
return space + text
if align == "center":
left = " " * (len(space) // 2)
return left + text + space[len(left):]
return text + space
def header(title):
print("\n" + "=" * 78)
print(title)
print("=" * 78)
def fit_line(xs, ys, lr=0.05, n_epochs=8000):
"""标准化 + 梯度下降,返回 (斜率, 截距, R², 模型, scaler)。
斜率/截距都还原到原始量纲,方便直接解读成物理量。
"""
scaler = StandardScaler()
Xs = scaler.fit_transform([[v] for v in xs])
model = LinearUnit(lr=lr, n_epochs=n_epochs, mode="batch").fit(Xs, ys)
slope = model.w[0] / scaler.std_[0]
intercept = model.b - slope * scaler.mean_[0]
r2 = r2_score(ys, model.predict(Xs))
return slope, intercept, r2, model, scaler
def case_arrhenius():
header("案例 1:N2O5 气相分解的 Arrhenius 图")
Ts, ks, lnk, inv_T, inv_T_milli = build_arrhenius_dataset()
print("\n实验数据(教材常用值):")
print("%10s %14s %14s %14s" % ("T / K", "k / (1/s)", "1000/T", "ln k"))
print("-" * 78)
for T, k, x, l in zip(Ts, ks, inv_T_milli, lnk):
print("%10.2f %14.4e %14.4f %14.4f" % (T, k, x, l))
print("\nArrhenius 方程:")
print(" k = A · exp(-Ea / (R T))")
print("两边取对数,曲线就变成直线:")
print(" ln k = ln A - (Ea / R) · (1/T)")
print("令 y = ln(k/s⁻¹),x = 1000/T(单位 10⁻³ K⁻¹),得到一元线性单元:")
print(" y = w·x + b, 其中 w = -Ea/(1000 R),b = ln(A/s⁻¹)")
slope, intercept, r2, _, _ = fit_line(inv_T_milli, lnk)
# 因为横坐标是 1000/T:ln k = ln A - (Ea/(1000R))·x
# 所以 Ea = -slope × 1000 × R (J/mol),换成 kJ/mol 就是 -slope × R
Ea_kJ = -slope * R_GAS
A = math.exp(intercept)
print("\n梯度下降拟合结果:")
print(" 斜率 w = %+.4f" % slope)
print(" 截距 b = %+.4f" % intercept)
print(" 活化能 Ea = %.2f kJ/mol (教材值 %.1f)"
% (Ea_kJ, ARRHENIUS_N2O5_LITERATURE_EA))
print(" 相对误差 = %.2f%%"
% (abs(Ea_kJ - ARRHENIUS_N2O5_LITERATURE_EA)
/ ARRHENIUS_N2O5_LITERATURE_EA * 100))
print(" 指前因子 A = %.3e s^-1" % A)
print(" R² = %.6f" % r2)
print("\n五个数据点、一个线性单元,得到的活化能与教材值相差不到 1%。")
print("注意:五个点的拟合本身也有不确定度,这一吻合不应被过度解读。")
def case_scaling():
header("案例 2:横坐标取 1/T、1000/T 还是标准化后的值?")
Ts, ks, lnk, inv_T, inv_T_milli = build_arrhenius_dataset()
representations = [
("直接用 1/T", [[v] for v in inv_T]),
("用 1000/T", [[v] for v in inv_T_milli]),
("标准化后的 1000/T",
StandardScaler().fit_transform([[v] for v in inv_T_milli])),
]
print("\n同一组 5 个数据点,只换成不同的横坐标表示:")
print("\n每种表示都扫一遍学习率,取 5000 轮后损失最低的那一个:")
print("")
head = (pad("横坐标表示", 22) + pad("条件数 κ", 16, "right")
+ pad("学习率 η", 14, "right")
+ pad("5000 轮后 J", 16, "right")
+ pad("R²", 12, "right"))
print(head)
print("-" * display_width(head))
rows = []
for label, X in representations:
kappa = condition_number(X)
best = None
for lr in (0.001, 0.005, 0.01, 0.05, 0.1, 0.5, 1.0, 5.0, 50.0, 1000.0):
m = LinearUnit(lr=lr, n_epochs=5000, mode="batch").fit(X, lnk)
final = m.loss(X, lnk)
if not math.isfinite(final):
continue
if best is None or final < best[0]:
best = (final, lr, r2_score(lnk, m.predict(X)))
if best is None:
print(pad(label, 22) + pad("—", 16, "right"))
continue
final, lr, r2 = best
rows.append((label, kappa, lr, final, r2))
print(pad(label, 22) + pad("%.3g" % kappa, 16, "right")
+ pad("%g" % lr, 14, "right")
+ pad("%.3e" % final, 16, "right")
+ pad("%.6f" % r2, 12, "right"))
print("\n如何读这张表:")
print(" · 1/T ≈ 0.003:Hessian 最大特征值约为 1(主要来自截距方向),")
print(" 最小特征值仅约 2e-8,学习率被限制在 η < 2,斜率几乎不动,R² 接近 0。")
print(" · 乘以 1000 后数值约为 3,条件数降到约 6e3,但仍然很大:")
print(" x 的均值(≈3.15)远大于它的标准差(≈0.14),")
print(" 特征列与常数列 1 几乎平行,5000 轮后 R² 仍不到 0.9。")
print(" · 标准化同时完成了「中心化」和「缩放」,条件数降到 1,")
print(" 梯度下降很快收敛到与正规方程相同的解。")
print("\n结论:教材中「用 1000/T 作图」是为了读数方便;")
print("对梯度下降而言,真正起决定作用的是把特征中心化并缩放。")
def case_water():
header("案例 3:同一套代码,换到水的汽化焓")
Ts, Ps, lnP, x = build_water_vapor_dataset()
print("\nClausius-Clapeyron 方程:")
print(" ln P = C - (ΔHvap / R) · (1/T)")
print("形式和 Arrhenius 完全一样,所以代码一行都不用改。")
slope, intercept, r2, _, _ = fit_line(x, lnP)
dHvap = -slope * R_GAS # 同上:横坐标是 1000/T,得到 kJ/mol
print("\n水的饱和蒸气压数据(0–100 °C,手册值):")
print("%12s %16s %12s" % ("T / °C", "P / kPa", "ln(P/kPa)"))
print("-" * 78)
for T, P, l in list(zip(Ts, Ps, lnP))[:6]:
print("%12.2f %16.4f %12.4f" % (T - 273.15, P, l))
print("%12s %16s %12s" % ("...", "...", "..."))
print("\n拟合结果:")
print(" ΔHvap = %.2f kJ/mol" % dHvap)
print(" 文献值:25 °C 时 43.99 kJ/mol;100 °C 时 40.65 kJ/mol")
print(" R² = %.6f" % r2)
print("\n注意「文献值」给了两个数字——因为 ΔHvap 本身随温度变化。")
print("线性单元给出的是 0–100 °C 区间上的「有效平均值」%.1f kJ/mol," % dHvap)
print("落在两个端点值之间。原因在于模型假设 ΔHvap 与温度无关,")
print("而水的汽化焓随温度升高而减小。")
def case_batch_vs_sgd():
header("案例 4:批量下降 vs 随机下降(只有 5 个数据点)")
Ts, ks, lnk, inv_T, inv_T_milli = build_arrhenius_dataset()
X = StandardScaler().fit_transform([[v] for v in inv_T_milli])
print("\n三种方式都训练 500 轮(每轮把 5 个数据点各用一次)。")
print("\n%-30s %14s %14s" % ("方法", "每轮更新次数", "500 轮后的 J"))
print("-" * 78)
for label, kw in [("批量 GD", dict(mode="batch", lr=0.1)),
("小批量(2 个点)", dict(mode="minibatch",
batch_size=2, lr=0.1)),
("随机 GD(1 个点)", dict(mode="sgd", lr=0.05))]:
m = LinearUnit(n_epochs=500, seed=0, **kw).fit(X, lnk)
per_epoch = 1 if kw["mode"] == "batch" else (
math.ceil(5 / kw.get("batch_size", 1))
if kw["mode"] == "minibatch" else 5)
print("%-30s %14d %14.3e"
% (label, per_epoch, m.history["loss"][-1]))
print("\n结论:在这个极小的数据集上,三种方式最终都到达同一极小点附近,")
print(" 差别可以忽略。随机梯度下降的优势要在数据量很大时才会显现;")
print(" 对五个数据点而言,直接解正规方程最简单。")
SUMMARY = """
1. Arrhenius 方程、Clausius-Clapeyron 方程、Hammett 方程、Langmuir 等温线……
化学中许多经验公式经过变量变换后,都可以写成一个线性单元。
梯度下降只是把"画一条最合适的直线"这件事自动化了。
2. 但这些公式之所以能写成直线,靠的都是一个化学家的动作:
取对数、换坐标、除以温度。
这些动作在机器学习里分别叫"目标变换"和"特征工程"。
3. 对梯度下降而言,特征的「中心化 + 缩放」决定了收敛快慢;
只乘以 1000 并不足以消除病态,标准化才真正把条件数降到 1。
4. 取对数会改变误差结构:对 ln k 做最小二乘,相当于假设 k 的相对误差
大致恒定。若实验误差主要是绝对误差,应考虑加权拟合。
练习:把程序里的数据换成你自己的实验数据,并检查残差是否随 x 呈系统性变化。
"""
def main():
case_arrhenius()
case_scaling()
case_water()
case_batch_vs_sgd()
header("案例总结")
print(SUMMARY)
if __name__ == "__main__":
main()