Question

我正在处理一个涉及使用似然函数（lik）及其渐变（grad）的优化问题。这两个函数都使用Rcpp库进行编码，并被送到R中的optim(...,method="BFGS")优化函数。

在计算似然性的过程中，会创建许多变量，并且对将来的梯度计算也有用。为了避免每次需要进行渐变评估时重新计算这些变量，我想出了创建env用来与lik“沟通”的环境（grad）的想法。。换句话说，每次评估lik时，它都会在环境env中存储所需的变量

likelihoodscript<-
using Rcpp::Environment; 
Environment e(env);
// likelihood function is computed
//var1 to varK are created
//they can be MatrixXd, SparseMatrix, double, etc.
e.assign("namevar1",var1);
e.assign("namevar2",var2);
...
e.assign("namevarK",varK);
return wrap(likvalue);

然后，当需要进行grad评估时，我会从grad函数中搜索环境中所需的变量：

gradientscript<-
using Rcpp::Environment; 
Environment e(env);
//var1 to varK are recovered from the environment
SEXP input_var1 = e.get("var1");
int var1 = as<int>(var1);
SEXP input_var2= e.get("var2");
MatrixXd var2 = as<MatrixXd>(var2);
...
SEXP input_varK = e.get("varK");
double varK = as<double>(varK);
// gradient function is computed
return wrap(gradvector);

理论上，如果我使用相同的初始参数集开始优化问题，我应该每次都得到相同的结果（lik，grad或{内部没有随机操作{1}}），但碰巧结果有时会有所不同。让我们说，如果我用完全相同的参数重复20次优化，15次我有很好的结果，但其中5次我有不同（或非常不同）的东西。我在这些错误中搜索了“模式”，但它们看起来完全是随机的。

据我所知，这可能是由于环境哈希表中的键值识别错误，因此我尝试在R中使用optim()包。一些改进（可能是好结果的18倍，而不是15），但还不是问题的确切解决方案。

如果有人知道问题可能来自哪里，请回答。非常感谢你。

Pd积。我尝试了同样的事情，但使用的是hash而不是list：同样的问题，甚至是最差的问题。

Answer 1

如果没有您身边的具体例子，很难说出问题所在。这是我想出的可能是你的代码。也许这可以帮助你，或者它可以帮助你指出你与我的例子的不同之处。我的代码可以工作，并且cpp函数的所有不同的优化运行都会产生相同的结果。

library(inline)

#Rosenbrock Banana function as in optim examples
#it stores two values in the provided environment
fun_str='using Rcpp::Environment; 
Environment e(env);
NumericVector xx(x);
double a=(xx[1] - xx[0] * xx[0]);
double b=(1.0 - xx[0]);
e.assign("a",a);
e.assign("b",b);
return(wrap(100.0 * pow(a,2.0) + pow(b,2.0)));'

#corresponding gradient
#it accesses the two variables that we have stored above
grad_str='using Rcpp::Environment; 
Environment e(env);
double a=e["a"];
double b=e["b"];
NumericVector xx(x);
NumericVector res(2);
res[0]= -400.0 * xx[0] * a - 2.0 * b;
res[1]=200.0*a;
return(wrap(res));'

#define rcpp functions
fun_cpp=cxxfunction(signature(x="numeric",env = "environment"),
                    fun_str,
                    plugin = "Rcpp")
grad_cpp=cxxfunction(signature(x="numeric",env = "environment"),
                     grad_str,
                     plugin = "Rcpp")

res_vec=list()

#loop through 100 runs of the same BFGS optimization and store results
for (i in 1:100) {
  container_env=new.env()
  res_vec[[length(res_vec)+1]]=optim(par=c(-1.2,1),fn=fun_cpp,gr=grad_cpp,method="BFGS",env=container_env)
}

#compare all results
sum_var=0
for (i in 2:length(res_vec)) sum_var=sum_var+all.equal(res_vec[[i]],res_vec[[i-1]])
sum_var
#99

所以你看他们都给出了相同的结果。此外，结果与optim示例部分中给出的仅R代码的结果一致。

Rcpp中的环境

1 个答案: