最小化使用scipy.optimize

我需要使用SciPy的，以尽量减少上述功能的功能。

我的输入数据

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

这就是我试图运行

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

来源

2015-11-22 Krishna Kalyan

由于您在函数中使用'np.dot'，因此不要使用'np.asmatrix'使事情复杂化。坚持常规阵列。如果需要添加一个维度（使用'newaxis'，'reshape'或'atleast_2d'）。 – hpaulj

我不是河畔e你想要做什么

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

什么是t？

在任何情况下，你的fmin_cg调用不正确 - 的fmin_cg签名

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

的第一个参数必须是你的目标函数，func，第二需求是你最初的猜测x，第三个（可选）参数是您的渐变函数grad，第四个是附加参数的集合f和fprime（不包括x）。

的调用应该是这样的：

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

然而，这仍然不会因为你的阵列尺寸的问题的工作：

<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)

要弄清楚这是为什么发生，我们可以在grad设置一个断点：

import pdb 

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

在第一次调用grad，我们看到：

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

内的某处fmin_cg，x正在从(100, 1)np.matrix转换为(100,) 1D np.ndarray。对于np.ndarray，运算符执行元素乘法而不是矩阵乘法，这将失败，因为x和A.transpose()具有不兼容的维度。

基本上你是对的事实，np.matrix尚未完全通过numpy的和SciPy的许多功能，包括预期的np.ndarray支持的跑起来。我强烈建议您从使用np.matrix切换到np.ndarray - 使用np.matrix为officially discouraged，并且在不久的将来可能会被弃用。

你grad功能可以改写为：

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

...和你的初始参数为：

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)

...现在你到fmin_cg调用应该工作：

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

来源

2015-11-23 01:22:44

最小化使用scipy.optimize

回答

相关问题