最小化使用scipy.optimize

我需要使用SciPy的，以儘量減少上述功能的功能。

我的輸入數據

np.random.seed(1234) 
m = 500 #500 
n = 100 #100 
A = np.asmatrix(np.random.randint(low=-10,high=1,size=(n,m)))  
b = np.asmatrix(np.random.randint(low=500,high=1000,size=(m,1))) 
c = np.asmatrix(np.random.randint(low=0.1,high=2,size=(n,1))) 
x = np.asmatrix(np.random.randint(low=1,high=10,size=(n,1)))

我的功能和梯度：

def func(x, A, b, c): 
    fx = np.dot(c.T, x) - np.sum(np.log10((b - np.dot(A.T, x)))) 
    return fx 

def grad(x, A, b, c): 
    gradient = A * (1.0/(b - A.transpose()*x)) + c 
    return gradient

這就是我試圖運行

scipy.optimize.fmin_cg(func(x + t*grad(x, A, b, c),A, b, c), x, args=(A,b,c,x))

來源

2015-11-22 Krishna Kalyan

由於您在函數中使用'np.dot'，因此不要使用'np.asmatrix'使事情複雜化。堅持常規陣列。如果需要添加一個維度（使用'newaxis'，'reshape'或'atleast_2d'）。 – hpaulj

我不是河畔e你想要做什麼

func(x + t*grad(x, A, b, c), A, b, c)

什麼是t？

在任何情況下，你的fmin_cg調用不正確 - 的fmin_cg簽名

fmin_cg(f, x0, fprime=None, args=(), ...)

的第一個參數必須是你的目標函數，func，第二需求是你最初的猜測x，第三個（可選）參數是您的漸變函數grad，第四個是附加參數的集合f和fprime（不包括x）。

的調用應該是這樣的：

scipy.optimize.fmin_cg(func, x, fprime=grad, args=(A, b, c))

然而，這仍然不會因爲你的陣列尺寸的問題的工作：

<ipython-input-49-bf5fa71345fe> in grad(x, A, b, c) 
     1 def grad(x, A, b, c): 
----> 2   gradient = A * (1.0/(b - A.transpose()*x)) + c 
     3   return gradient 
     4 

/home/alistair/.venvs/core/local/lib/python2.7/site-packages/numpy/matrixlib/defmatrix.pyc in __mul__(self, other) 
    341   if isinstance(other, (N.ndarray, list, tuple)) : 
    342    # This promotes 1-D vectors to row vectors 
--> 343    return N.dot(self, asmatrix(other)) 
    344   if isscalar(other) or not hasattr(other, '__rmul__') : 
    345    return N.dot(self, other) 

ValueError: shapes (500,100) and (1,100) not aligned: 100 (dim 1) != 1 (dim 0)

要弄清楚這是爲什麼發生，我們可以在grad設置一個斷點：

import pdb 

def grad(x, A, b, c): 
    pdb.set_trace() 
    gradient = A * (1.0/(b - A.transpose()*x)) + c 
    return gradient

在第一次調用grad，我們看到：

(Pdb) type(x) 
<type 'numpy.ndarray'> 
(Pdb) !x.shape 
(100,)

內的某處fmin_cg，x正在從(100, 1)np.matrix轉換爲(100,) 1D np.ndarray。對於np.ndarray，運算符執行元素乘法而不是矩陣乘法，這將失敗，因爲x和A.transpose()具有不兼容的維度。

基本上你是對的事實，np.matrix尚未完全通過numpy的和SciPy的許多功能，包括預期的np.ndarray支持的跑起來。我強烈建議您從使用np.matrix切換到np.ndarray - 使用np.matrix爲officially discouraged，並且在不久的將來可能會被棄用。

你grad功能可以改寫爲：

def grad(x, A, b, c): 
    gradient = A.dot(1.0/(b - A.T.dot(x))) + c 
    return gradient

...和你的初始參數爲：

np.random.seed(1234) 
m = 500 #500 
n = 100 #100 
A = np.random.randint(low=-10, high=1, size=(n, m)) 
b = np.random.randint(low=500, high=1000, size=m) 
c = np.random.randint(low=0.1, high=2, size=n) 
x = np.random.randint(low=1, high=10, size=n)

...現在你到fmin_cg調用應該工作：

res = scipy.optimize.fmin_cg(func, x, fprime=grad, args=(A, b, c))

來源

2015-11-23 01:22:44

最小化使用scipy.optimize

回答

相關問題