aesara，一个超 nice 的 Python 库！
python约 5 分钟Aesara 这玩意儿，第一眼看着像“又一个张量库”，真上手以后才发现它不是来跟 NumPy 抢活的。
它干的事更偏后厨：先把你的数学表达式变成计算图，再改写、优化、求导，最后编译成能跑的东西。官方文档对它的定义也差不多这个意思：定义、优化重写、再高效执行多维数组上的数学表达式。安装文档里还专门提了，推荐直接走 conda-forge。另一个得知道的点是，Aesara 项目在 GitHub 上已经归档了，后面 PyTensor 是它的 fork。这个别搞混。
很多人一看到“符号计算”“计算图”，脑子里就自动切到“学术”“不好用”“离业务远”。这判断我一开始也有。后来真拿它处理一点需要“表达式 + 自动求导 + 图优化”的东西，味道就出来了。
你先看一段最小代码。
import aesara
import aesara.tensor as at
import numpy as npx = at.vector("x")
y = x ** 2 + 2 * x + 1
f = aesara.function([x], y)
data = np.array([1.0, 2.0, 3.0], dtype=np.float32)
print(f(data))
# [ 4. 9. 16.]
这段代码要是换成 NumPy，当然也能写，甚至更短。但区别不在“能不能算”，而在 Aesara 接住的不是数值，而是表达式本身。你给它的是一张图，不是一把已经炒好的菜。
这个差别在求导时特别明显。
import aesara
import aesara.tensor as atx = at.scalar("x")
loss = x ** 4 - 3 * x ** 2 + 2 * x
grad = at.grad(loss, x)
calc = aesara.function([x], [loss, grad])
value, g = calc(2.0)
print("loss =", value)
print("grad =", g)
手写导数当然不难，4x^3 - 6x + 2 嘛。但表达式一旦长起来，或者里面套了矩阵运算、广播、条件分支，再手推一遍，基本就是给自己挖坑。Aesara 内置了符号求导，这就是它很值钱的地方。官方也把 efficient symbolic differentiation 摆在核心能力里。
我平时看这种库，先不信宣传，先看它到底适合什么场景。Aesara 不是拿来替代你日常 CRUD 代码的，它更像下面这几类活：
第一类，你要描述的是公式，不是流程。 像概率模型、优化问题、损失函数、递推关系，这种东西写成表达式比写成 if/for 更自然。
第二类，你后面一定会动求导。 参数拟合、最优化、贝叶斯建模，这种一旦上手，自动求导就不是加分项，是保命项。
第三类，你想让系统帮你改图，而不是自己抠细节。 Aesara 的文档里明确提到 rewrite system，也就是它能在图层面做改写和优化。这个事不是 NumPy 擅长的。
比如你手上有个很常见的线性回归损失：
import aesara
import aesara.tensor as at
import numpy as npX = at.matrix("X")
y = at.vector("y")
w = at.vector("w")
b = at.scalar("b")
pred = at.dot(X, w) + b
loss = at.mean((pred - y) ** 2)
grad_w = at.grad(loss, w)
grad_b = at.grad(loss, b)
train_step = aesara.function(
inputs=[X, y, w, b],
outputs=[loss, grad_w, grad_b]
)
X_val = np.array([[1, 2], [2, 1], [3, 4]], dtype=np.float32)
y_val = np.array([5, 4, 9], dtype=np.float32)
w_val = np.array([0.1, 0.2], dtype=np.float32)
b_val = np.float32(0.0)
loss_val, gw, gb = train_step(X_val, y_val, w_val, b_val)
print(loss_val)
print(gw)
print(gb)
这段代码不花哨，但味道已经出来了：你关心的是损失函数怎么写，梯度怎么来，至于底层怎么组织计算图、怎么做优化、怎么执行，库替你兜一层。
再往前走一步，Aesara 还有个很多人容易忽略的点：它不只是会算，还允许你扩展自己的 Op。官方文档里就专门有“Creating a new Op”。这个能力对做一些特殊数学算子、老系统兼容、或者接一点自定义逻辑时很有用。
我给个偏现场一点的例子。比如你有个业务里常见的“分段罚分函数”，懒得在图里拼一堆 switch，你可以先包成一个自定义 Op。
import numpy as np
import aesara.tensor as at
from aesara.graph.op import Op
from aesara.graph.basic import ApplyclassPiecewisePenalty(Op):
itypes = [at.dvector]
otypes = [at.dvector]
defperform(self, node, inputs, outputs):
(x,) = inputs
out = np.where(
x < 0,
10.0,
np.where(x < 10, x * 0.5, x * 2.0)
)
outputs[0][0] = out.astype(np.float64)
penalty_op = PiecewisePenalty()
x = at.dvector("x")
y = penalty_op(x)
f = aesara.function([x], y)
print(f(np.array([-2, 3, 12], dtype=np.float64)))
这代码不复杂，但思路挺重要：先把“脏活怪活”包起来，再挂到图上。真到了模型里，这种方式比把业务判断散在一堆公式里好维护得多。
当然，这库也不是没门槛。
一个坑是 编译和执行是两段心智。刚接触的人最别扭的地方，就是变量不是立即值，打印出来经常不是你想看的那个数，而是一个 symbolic variable。这个阶段容易烦。 另一个坑是 报错栈不总是友好。计算图一复杂，定位问题不像普通 Python 那么直接。 还有一个现实问题，现在你如果是新项目，往往得顺手看看 PyTensor，因为它已经明确是 Aesara 的 fork 了。继续死磕老名字，不一定划算。
所以我对 Aesara 的判断一直不是“超 nice，因为它强”，而是：
你手上的问题，恰好值得用“表达式 + 图优化 + 自动求导”这套打法时，它会显得非常顺手。 否则，它就是一把有点重的刀。
最后给个实用建议，真要上手，别一开始就啃大模型，也别先研究一堆后端优化参数。先做三步：
先拿标量和向量把 aesara.function() 跑通。 再拿一个你自己看得懂的损失函数，把 grad 打出来。 最后再碰 scan、自定义 Op、配置项这些稍微费劲的东西。文档里这些能力都有，但一口气全上，十有八九把自己绕进去。
Aesara 这种库，漂亮不在 API 有多短，漂亮在于你把公式交给它之后，后面的图、导数、执行链路，它真能接得住。