只有在使用非常大或非常小的数字时，是否有人遇到过 fmin_slsqp（或 scipy.optimize 中的其他任何内容）的问题？
我正在编写一些python代码来获取灰度图像和蒙版，生成直方图，然后将多个高斯拟合到直方图。为了开发代码，我使用了一个小示例图像，经过一些工作，代码运行良好。但是，当我首先对直方图进行归一化，生成 bin 值 <<1，或者当我对巨大的图像进行直方图，生成数十万个 bin 值时，fmin_slsqp() 开始偶尔失败。它仅在大约 5 次迭代后退出，通常只返回我给出的初始猜测的略微修改版本，并返回退出模式 8，这意味着“线搜索的正方向导数”。如果我在开始时检查 bin 计数的大小并将它们缩放到 ~100-1000 的附近，fmin_slsqp() 将照常工作。我只是在返回结果之前取消缩放。
我环顾四周，发现人们在谈论 epsilon 值，它基本上是用于逼近导数的 dx，但调整并没有帮助。除此之外，我还没有发现任何有用的东西。任何想法将不胜感激。提前致谢。
詹姆士
我有类似的问题optimize.leastsq。我需要处理的数据通常非常小，例如 1e-18 等，我注意到在这些情况下，leastsq 不会收敛到最佳拟合参数。只有当我将数据缩放到更常见的东西（比如数百、数千等，你可以用整数保持分辨率和动态范围的东西）时，我才能让 minimumsq 收敛到非常合理的东西。
我一直在尝试使用这些可选的容差参数，这样我就不必在优化之前缩放数据，但运气不佳......
有谁知道一个很好的通用方法来避免 scipy.optimize 包中的函数出现这个问题？我很感激你能分享......我认为根源与OP的问题相同。
当您的基础数据发生显着变化时，您是否正在更新您的初始猜测（“x0”）？对于任何迭代线性优化问题，如果您最初的猜测与您尝试拟合的数据相去甚远，就会出现这些问题。这更像是一个优化问题，而不是一个 scipy 问题。
我也遇到了这个问题，但我在我的项目中解决了它。我不确定这是否是通用解决方案。
原因是当参数设置或默认设置scipy.optimize.fmin_slsqp时，通过近似方法计算梯度。从近似方法产生的梯度没有标准化（大规模）。在计算步长时，较大的梯度值会影响线搜索的性能和精度。这可能是我们得到.jacFalsePositive directional derivative for linesearch
您可以尝试将雅可比矩阵的封闭形式实现到对象函数并将其传递给jac参数。更重要的是，您应该重新调整雅可比矩阵的值（如归一化）以避免影响线搜索。
最好的。