Question

我将简单地解释一下这个问题。此问题与scipy.doc中显示的完全相似。问题在于错误发生，因为需要浮点参数，而不是numpy.ndarray

我有什么：

功能： y = s * z ^ t

可变长度/尺寸

t - 1 ... m，
s - 1 ... m和1 ... n。所以，m是行号，n - 列号。
z - 1 ... n。
y - 这可以是y 1，y [2]，y [3]，...，y [m]，
T - s [m，n]矩阵

喜欢这个：

y[1] = s[1][1]*z[1]^t[1]+s[1][2]*z[2]^t[1]+...s[1][n]*z[n]^t[1])
y[2] = s[2][1]*z[1]^t[2]+s[2][2]*z[2]^t[2]+...s[2][n]*z[n]^t[2])

...
y[m] = s[m][1]*z[1]^t[m]+s[m][2]*z[2]^t[2]+...s[m][n]*z[n]^t[m])

问题：发生错误。

Optimization terminated successfully.

Traceback (most recent call last):
    solution = optimize.fmin_cg(func, z, fprime=gradf, args=args)
  File "C:\Python27\lib\site-packages\scipy\optimize\optimize.py", line 952, in fmin_cg
    res = _minimize_cg(f, x0, args, fprime, callback=callback, **opts)
  File "C:\Python27\lib\site-packages\scipy\optimize\optimize.py", line 1072, in _minimize_cg
    print "         Current function value: %f" % fval
TypeError: float argument required, not numpy.ndarray

以下是代码

import numpy as np
import scipy as sp
import scipy.optimize as optimize

def func(z, *args):
    y,T,t = args[0]
    return y - counter(T,z,t)

def counter(T, z, t):
    rows,cols = np.shape(T)
    res = np.zeros(rows)
    for i,row_val in enumerate(T):
        res[i] = np.dot(row_val, z**t[i])
    return res


def gradf(z, *args):
    y,T,t = args[0]
    return np.dot(t,counter(T,z,t-1))

def main():
    # Inputs
    N = 30
    M = 20
    z0 = np.zeros(N) # initial guess
    y = 30*np.random.random(M)
    T = 10*np.random.random((M,N))
    t = 5*np.random.random(M)
    args = [y, T, t]

    solution = optimize.fmin_cg(func, z0, fprime=gradf, args=args)
    print 'solution: ', solution

if __name__ == '__main__':
    main()

我也试图找到类似的例子，但找不到非常相似的东西。以下是供您考虑的代码。提前谢谢。

Answer 1

问题的根源是fmin_cg期望函数返回错误匹配而不是数组的单个标量值。

基本上，你想要一些模糊的东西：

def func(z, y, T, t):
    return np.linalg.norm(y - counter(T,z,t))

我在这里使用np.linalg.norm因为numpy中没有内置函数用于均方根。实际的RMS为norm(x) / sqrt(x.size)，但为了最小化，常数乘数不会产生任何差异。

您的代码中还存在其他一些小问题（例如args[0]将是单个项目。您想要y, T, t = args或更好，只需func(z, y, T, t)）。你的渐变函数对我没有任何意义，但无论如何它都是可选的。此外，解决方案目前无法产生合理的值，因为您正在测试纯噪声。我认为这些只是意味着占位符值。

但是，你有一个更大的问题。你试图在30维空间中最小化。大多数非线性求解器不能很好地处理那么高的维数。它可能工作正常，但你很可能会遇到问题。

所有这一切，你可能会发现使用scipy.optimize.curve_fit界面而不是使用其他界面更直观，如果你对LM而不是CG（它们是相当类似的方法）没有问题。 / p>

最后一件事：你试图通过20次观察来解决30个模型参数。这是一个未确定的问题。此问题没有唯一的解决方案。您将需要应用一些先验知识来获得合理的答案。

如何在Python中调用scipy.optimize.fmin_cg（func）的函数

1 个答案: