要实现不改变变量顺序求导，可以使用自动微分（automatic differentiation）的方法。自动微分是一种计算导数的方法，它可以通过计算变量在每个操作点的导数，从而得到函数的导数值。

以下是一个使用自动微分来计算函数导数的示例代码：

import autograd.numpy as np
from autograd import grad

# 定义函数
def f(x, y):
    return 2*x + 3*y**2

# 使用自动微分计算导数
df_dx = grad(f, 0)  # 对 x 求导
df_dy = grad(f, 1)  # 对 y 求导

# 输入变量值
x_val = 2
y_val = 3

# 计算导数值
df_dx_val = df_dx(x_val, y_val)
df_dy_val = df_dy(x_val, y_val)

print("df/dx =", df_dx_val)
print("df/dy =", df_dy_val)

在上面的代码中，我们首先定义了一个函数 f(x, y) = 2x + 3y^2。然后，我们使用自动微分库 autograd 来计算导数。grad(f, 0) 表示对第一个参数 x 求导，grad(f, 1) 表示对第二个参数 y 求导。

最后，我们给出了 x 和 y 的值，并使用 df_dx 和 df_dy 分别计算了导数的值。输出结果为 df/dx = 2.0 和 df/dy = 18.0，这是函数在给定点 (x_val, y_val) 上的导数值。

这种方法可以在不改变变量顺序的情况下计算函数的导数，因为自动微分库会自动跟踪变量在每个操作点的导数。这对于求解机器学习中的优化问题和求解微分方程等问题非常有用。