Question

我很欣赏这对其他任何人来说都不是一个非常普遍或适用的问题，但它让我感到难过，并且可能比我想的更多地教给我。

    def gradient_descent((x,y)):
        x = (x,y)[0]
        y = (x,y)[1]
        point_history_x[0] = x
        point_history_y[0] = y #set initial states
        while numpy.linalg.norm(f_prime((x,y))) >= 0.1: #modulus of gradient
            x = x - gamma*f_prime((x,y))[0]
            y = y - gamma*f_prime((x,y))[1] #find next point
            numpy.append(point_history_x,x)
            numpy.append(point_history_y,y) #add to history of point movement
        return point_history_x, point_history_y

之前，point_history_x（和y）全局定义为numpy.zeros（（1））。当运行点（0,0）时，它为两个历史数组返回0。当我将自己的每个级别输入到python shell中时，它工作正常并创建变量x的数组;但是当我运行模块时，它只返回输入。

所有证据似乎都指向我使用不正确的追加，但就像我说的那样，我在shell中输入它只是相同而且运行正常。

这真的很令人沮丧，任何评论都会非常感激。

Answer 1

在这种情况下追加返回一个新数组。它不会改变point_history_x。

>>> import numpy as np
>>> a = np.array([2.0])
>>> np.append(a, 1)
array([ 2.,  1.])
>>> a
array([ 2.])
>>> a = np.append(a, 1)
>>> a
array([ 2.,  1.])
>>>

我们看到np.append有效 - 没有例外或任何事情 - 但调用不会修改a，它只会返回一个新数组。第二次拨打np.append时，我会将结果分配给a。

在代码的其他部分还有一些非常规/冗余的东西。元组参数解包并不理想，因为它已经removed in Python 3（认为2to3会自动为你转换），但主要原因是它只是让事情变得更加复杂。你可以改变

def gradient_descent((x,y)):
    x = (x,y)[0]
    y = (x,y)[1]

到

def gradient_descent(pt):
    x, y = pt

或

def gradient_descent(x,y):

并使用gradient_descent(*pt)调用代码。

我认为你最好使用point_history_x和point_history_y的普通Python列表。使用NumPy数组，您最终会在循环的每次迭代中分配大量内存。

numpy.append（）的难度。当我自己输入IDLE而不是在运行时它可以工作

1 个答案: