我想拟合形状为（161,14）的数据集，其中行是能量方向，而cols是在不同实验条件下相同光谱的重排。
在数据集中应该有3个不同的峰，因此我建立了一个由3个样本组成的复合模型。目的是要共享参数，以使语音的中心和宽度相同。
我发现了这个相关问题Python and lmfit: How to fit multiple datasets with shared parameters?
但是这里的参数是硬接线的，所以我尝试如下。
import h5py
import numpy as np
from lmfit import Parameters, minimize, report_fit
from lmfit.models import VoigtModel, LinearModel
from matplotlib import pyplot as plt
import cProfile
mods = None
c = [530., 531.5, 533.]
c_win = 1
sigma = 0.2
gamma = 0.2
gamma_min = 0.1
gamma_max = 1.
def objective(params, x, data):
""" calculate total residual for fits to several data sets held
in a 2-D array, and modeled by Gaussian functions"""
nx, ndata = data.shape
resid = 0.0 * data[:]
# nx = 1
# make residual per data set
for i in range(ndata):
resid[:, i] = data[:, i] - mods[i].eval(params,x=x)
# resid = data - mods[0].eval(params, x=x)
# now flatten this to a 1D array, as minimize() needs
# print(resid.sum())
return resid.flatten()
def make_param(v, params):
for i in range(3):
v[i].set_param_hint('amplitude', value=1e3)
v[i].set_param_hint('center', value=c[i], min=c[i] - c_win, max=c[i] + c_win)
v[i].set_param_hint('sigma', vary=False, value=sigma)
v[i].set_param_hint('gamma', vary=True, expr='', value=gamma, min=gamma_min, max=gamma_max)
params += v[i].make_params()
f = h5py.File("../../analysis.h5", "a")
raw = f["rawdata"]
proc = f["processed"]
spec_group = raw["Co0001_0042O1s_4600"]
specs = spec_group['sweeps'][()]
x = spec_group['x_b'][()]
specs2 = np.zeros((161, 14))
specs2[:, :] = specs[:, 0, :]
l0 = LinearModel(prefix="l0_")
v0 = VoigtModel(prefix="p0_")
v1 = VoigtModel(prefix="p1_")
v2 = VoigtModel(prefix="p2_")
v = [v0, v1, v2]
params = Parameters()
mod0 = l0 + v0 + v1 + v2
params += l0.make_params(intercept=3000, slope=0)
make_param(v, params)
specs2 = specs2[:, ::4]
mods = [mod0]
for i in range(1, specs2.shape[1]):
l0 = LinearModel(prefix="l0_%i" % i)
v0 = VoigtModel(prefix="p0_%i" % i)
v1 = VoigtModel(prefix="p1_%i" % i)
v2 = VoigtModel(prefix="p2_%i" % i)
params += l0.make_params(intercept=3000, slope=0)
v = [v0, v1, v2]
make_param(v, params)
params['p0_%icenter' % i].expr = 'p0_center'
params['p1_%icenter' % i].expr = 'p1_center'
params['p2_%icenter' % i].expr = 'p2_center'
params['p0_%igamma' % i].expr = 'p0_gamma'
params['p1_%igamma' % i].expr = 'p1_gamma'
params['p2_%igamma' % i].expr = 'p2_gamma'
params['p0_%isigma' % i].expr = 'p0_sigma'
params['p1_%isigma' % i].expr = 'p1_sigma'
params['p2_%isigma' % i].expr = 'p2_sigma'
mods += [l0 + v0 + v1 + v2]
cProfile.run('result = minimize(objective, params, args=(x, specs2))')
# result = minimize(objective, params, args=(x, specs2))#,method='ampgo')
report_fit(result)
plt.figure()
plt.plot(x, specs2[:, 0], x, mods[0].eval(result.params, x=x))
plt.plot(x, specs2[:, -1], x, mods[-1].eval(result.params, x=x))
high = np.max(x)
low = np.min(x)
plt.xlim(high, low)
plt.show()
代码的运行和拟合令人满意，但是需要很长时间。
所以我做了一个cprofile，看来大多数时候都是字符串解析。这是故意的还是有办法减少这种时间？
我还注意到，必须对这4个光谱进行14125个评估。很多，对吧？我是在定义参数的方式上犯了一个根本性的错误，还是针对此特定问题进行不同的最小化比较好？
分析和拟合报告： https://pastebin.com/pveD6sRe
First lines of the profiling sorted by total time:
ncalls tottime percall cumtime percall filename:lineno(function)
10163844/1288568 21.010 0.000 42.870 0.000 asteval.py:279(run)
226048 9.725 0.000 32.178 0.000 model.py:775(make_funcargs)
18309888 8.781 0.000 13.574 0.000 model.py:769(_strip_prefix)
169536 6.870 0.000 6.870 0.000 lineshapes.py:63(voigt)
1695690 4.731 0.000 54.555 0.000 parameter.py:745(_getval)
答案 0 :(得分：0)
好吧，剖析通常很棘手，但是您没有包括剖析的结果或拟合报告，因此也难以做出足够的回应。
14000个功能评估的确很多。但是，我对Voigt参数的初始值不太现实。定义三个Voigt函数然后将所有参数约束为相同似乎有些奇怪。混合创建复合Model然后使用lmfit.minimize看起来也很奇怪。
对于基于lmfit示例（使用https://github.com/lmfit/lmfit-py/blob/master/examples/test_peak.dat的数据）的简化（但应该相关？）案例：
#!/usrbin/env python
from numpy import loadtxt
import cProfile
from lmfit.models import VoigtModel
data = loadtxt('examples/test_peak.dat') # from lmfit/examples
x = data[:, 0]
y = data[:, 1]
mod = VoigtModel()
pars = mod.guess(y, x=x)
pars['gamma'].set(value = 2, vary=True, expr=None)
cProfile.run("out= mod.fit(y, pars, x=x)", sort=1)
print(out.fit_report(min_correl=0.25))
我得到了54个功能评估和配置文件输出
42228 function calls (37487 primitive calls) in 0.054 seconds
Ordered by: internal time
ncalls tottime percall cumtime percall filename:lineno(function)
3 0.021 0.007 0.021 0.007 {built-in method numpy.dot}
33225/150 0.006 0.000 0.013 0.000 asteval.py:279(run)
59 0.004 0.000 0.004 0.000 lineshapes.py:63(voigt)
1050/150 0.001 0.000 0.012 0.000 asteval.py:581(on_binop)
300/225 0.001 0.000 0.008 0.000 asteval.py:744(on_call)
8364 0.001 0.000 0.001 0.000 {built-in method builtins.isinstance}
156 0.001 0.000 0.001 0.000 {built-in method builtins.compile}
412 0.001 0.000 0.013 0.000 parameter.py:740(_getval)
这对我来说表明适合度是花费一些时间来评估约束表达式（对于Voigt，fwhm和height来说这很复杂），但是它并不能支配运行时。我认为您有更多的Voigt函数和更多的 lot 函数评估，因此它可能更有意义。
如果我显式简化约束表达式以使之不正确
mod = VoigtModel()
mod.param_hints['fwhm']['expr'] = 'sigma'
mod.param_hints['height']['expr'] = 'amplitude'
pars = mod.guess(y, x=x)
pars['gamma'].set(value = 2, vary=True, expr=None)
cProfile.run("out= mod.fit(y, pars, x=x)", sort=1)
然后我看到一个分析输出
16723 function calls (16361 primitive calls) in 0.045 seconds
Ordered by: internal time
ncalls tottime percall cumtime percall filename:lineno(function)
3 0.022 0.007 0.022 0.007 {built-in method numpy.dot}
59 0.005 0.000 0.005 0.000 lineshapes.py:63(voigt)
450/150 0.001 0.000 0.002 0.000 asteval.py:279(run)
412 0.001 0.000 0.004 0.000 parameter.py:740(_getval)
因此，对asteval的调用次数不多，但运行速度似乎也不快（FWIW，函数eval的数量相同）。
我可能建议尝试类似的策略，也许删除height和fwhm的参数提示，
mod.param_hints.pop('fwhm')
mod.param_hints.pop('height')
看看是否可以改善您的运行时间。
我怀疑了解为什么您的健身需要进行多次迭代可能会更有用。如果您有多个Voigt峰，则可能要检查它们是在交换位置还是重叠...