我试着在scipy包中使用minimize函数，如下面的代码所示。当我使用jac option = approx_fprime时，迭代次数为0，优化不起作用。但是当我使用jac option = rosen_der时，它起作用了！第一个问题我检查了approx_fprime是ndarray，相同的罗森_der，并且值也是相同的。为什么优化不起作用？？
jac option = approx_fprime
jac option = rosen_der
6ioyuze21#
您的函数fprime是x的函数，但近似于x0处的导数。因此，在每次迭代中，您都在计算初始猜测值x0处的梯度。您应该计算/近似于x处的导数：
fprime
x
x0
fprime = lambda x : approx_fprime(x, rosen, eps)
请注意，approx_fprime已经返回了一个np.ndarray，因此不需要额外的np.array调用。另外值得一提的是，如果不传递任何导数，也就是jac=None，那么你就不需要传递近似导数，因为minimize默认情况下会通过有限差分来近似它们。但是，minimize使用的是approx_derivative，而不是approx_fprime，因为它支持在变量边界上计算导数。
approx_fprime
jac=None
minimize
approx_derivative
1条答案
按热度按时间6ioyuze21#
您的函数
fprime是x的函数，但近似于x0处的导数。因此，在每次迭代中，您都在计算初始猜测值x0处的梯度。您应该计算/近似于x处的导数：请注意，
approx_fprime已经返回了一个np.ndarray，因此不需要额外的np.array调用。另外值得一提的是，如果不传递任何导数，也就是
jac=None，那么你就不需要传递近似导数，因为minimize默认情况下会通过有限差分来近似它们。但是，minimize使用的是approx_derivative，而不是approx_fprime，因为它支持在变量边界上计算导数。