最终，我想删除下面代码中的所有显式循环，以利用 C 而不是 python 中的 numpy 矢量化和函数调用。
下面简化了 numpy 在 python 中的使用。我有以下二次函数：
def quadratic_func(a,b,c,x):
return a*x*x + b*x + c
我正在尝试在给定相同大小的输入数据 x 和输出数据 y 的情况下优化 a、b、c 的选择（当然，这应该通过线性回归来完成……但请幽默）。假设 len(x)=100。易于使用标量 a、b、c 进行矢量化，以获得长度为 100 的结果。
假设我们知道 a,b,c 应该在 [-10,10] 之内，我通过构建一个网格并选择具有最小和平方误差的点进行优化。
a=np.arange(-10.0, 10.01, 2.0)
nodes=np.array(np.meshgrid(a,a,a)).T.reshape(-1,3) #3-d cartesian product with array of nodes
对于 1331 个节点中的每一个，我想计算所有 1331 个长度为 100 的返回值。
res=[]
x=np.random.uniform(-5.0,5.0, 100)
for node in nodes:
res.append(quadratic_func(*node, x=x))
如何利用广播来获取我的 1331 个项目列表，每个项目都有 100 个值，这些值是在 x 上调用 quadratic_func 的结果？答案必须使用矢量化、广播等来获得我正在寻找的数量级的速度改进。此外，答案必须使用对 quadratic_func 的调用——或更一般地说，my_func(*node, x=x)。
在现实生活中，我正在优化一个非线性函数，该函数甚至不接近凸函数并且具有许多局部最小值。如果我能达到“正确的”局部最小值，这是一个很好的函数形式——我已经知道如何做到这一点，但希望更快地到达那里！