15

问题概要： 在尝试使用 scipy.optimize.fmin_bfgs 最小化（优化）函数时，该函数会抛出一个

derphi0 = np.dot(gfk, pk) ValueError:矩阵未对齐

错误。根据我的错误检查，这发生在通过 fmin_bfgs 的第一次迭代的最后——就在返回任何值或任何回调调用之前。

配置： Windows Vista Python 3.2.2 SciPy 0.10 IDE = 带有 PyDev 的 Eclipse

详细描述： 我正在使用 scipy.optimize.fmin_bfgs 来最小化简单逻辑回归实现的成本（从 Octave 转换为 Python/SciPy）。基本上，成本函数被命名为 cost_arr 函数，梯度下降在 gradient_descent_arr 函数中。

我已经手动测试并完全验证了 *cost_arr* 和 *gradient_descent_arr* 可以正常工作并正确返回所有值。我还进行了测试以验证是否将正确的参数传递给 *fmin_bfgs* 函数。然而，在运行时，我得到了 ValueError：矩阵未对齐。根据来源审查，确切的错误发生在

# Minpack 的 Wolfe 行和标量搜索中的 def line_search_wolfe1 函数，由 scipy 包提供。

值得注意的是，如果我改用scipy.optimize.fmin，fmin函数会运行完成。

确切的错误：

文件“D:\Users\Shannon\Programming\Eclipse\workspace\SBML\sbml\LogisticRegression.py”，第 395 行，在 fminunc_opt

optcost = scipy.optimize.fmin_bfgs(self.cost_arr, initialtheta, fprime=self.gradient_descent_arr, args=myargs, maxiter=maxnumit, callback=self.callback_fmin_bfgs, retall=True)

文件“C:\Python32x32\lib\site-packages\scipy\optimize\optimize.py”，第 533 行，在 fmin_bfgs old_fval,old_old_fval)
文件“C:\Python32x32\lib\site-packages\scipy\optimize\linesearch. py"，第 76 行，在 line_search_wolfe1 derphi0 = np.dot(gfk, pk) ValueError：矩阵未对齐

我调用优化函数： optcost = scipy.optimize.fmin_bfgs(self.cost_arr, initialtheta, fprime=self.gradient_descent_arr, args=myargs, maxiter=maxnumit, callback=self.callback_fmin_bfgs, retall=True)

我花了几天时间试图解决这个问题，但似乎无法确定导致 矩阵未对齐错误的原因。

附录：2012-01-08 我在这方面工作了很多，似乎已经缩小了问题的范围（但对如何解决它们感到困惑）。首先，fmin（仅使用 fmin）使用这些函数——成本、梯度。其次，在手动实现（不使用 fmin_bfgs）的单次迭代中测试时，成本和梯度函数都准确地返回预期值。第三，我在optimize.linsearch中添加了错误代码，错误似乎是在def line_search_wolfe1中抛出的：derphi0 = np.dot(gfk, pk)。在这里，根据我的测试， scipy.optimize.optimize pk = [[ 12.00921659] [ 11.26284221]]pk type = 和 scipy.optimize.optimizegfk = [[-12.00921659] [-11.26284221]]gfk type = 注意：根据我的测试时，通过 fmin_bfgs 在第一次迭代时抛出错误（即，fmin_bfgs 甚至从未完成一次迭代或更新）。

我感谢任何指导或见解。

我的代码如下（记录，文档已删除）：假设 theta = 2x1 ndarray（实际：theta Info Size=(2, 1) Type = ）假设 X = 100x2 ndarray（实际：X Info Size=(2, 100) Type = ）假设 y = 100x1 ndarray（实际：y Info Size=(100, 1) Type = ）

def cost_arr(self, theta, X, y):

    theta = scipy.resize(theta,(2,1))         

    m = scipy.shape(X)

    m = 1 / m[1] # Use m[1] because this is the length of X
    logging.info(__name__ + "cost_arr reports m = " + str(m))         

    z = scipy.dot(theta.T, X) # Must transpose the vector theta               

    hypthetax = self.sigmoid(z)

    yones = scipy.ones(scipy.shape(y))

    hypthetaxones = scipy.ones(scipy.shape(hypthetax))

    costright = scipy.dot((yones - y).T, ((scipy.log(hypthetaxones - hypthetax)).T))

    costleft = scipy.dot((-1 * y).T, ((scipy.log(hypthetax)).T))


def gradient_descent_arr(self, theta, X, y):

    theta = scipy.resize(theta,(2,1)) 

    m = scipy.shape(X)

    m = 1 / m[1] # Use m[1] because this is the length of X

    x = scipy.dot(theta.T, X) # Must transpose the vector theta

    sig = self.sigmoid(x)

    sig = sig.T - y

    grad = scipy.dot(X,sig)

    grad = m * grad

    return grad

def fminunc_opt_bfgs(self, initialtheta, X, y, maxnumit):
    myargs= (X,y)

    optcost = scipy.optimize.fmin_bfgs(self.cost_arr, initialtheta, fprime=self.gradient_descent_arr, args=myargs, maxiter=maxnumit, retall=True, full_output=True)

    return optcost
4

2 回答 2

18

万一其他人遇到这个问题......

1) 错误 1：如评论中所述，我错误地将梯度中的值作为多维数组 (m,n) 或 (m,1) 返回。fmin_bfgs 似乎需要从梯度输出一维数组（也就是说，您必须返回 (m,) 数组而不是 (m,1) 数组。如果您不确定，请使用 scipy.shape(myarray) 检查尺寸返回值。

修复涉及添加： 

grad = numpy.ndarray.flatten(grad)

就在从渐变函数返回渐变之前。这将数组从（m，1）“展平”到（m，）。fmin_bfgs 可以将此作为输入。

2) 错误 2：请记住，fmin_bfgs 似乎适用于非线性函数。就我而言，我最初使用的示例是一个 LINEAR 函数。即使在上面提到的扁平化修复之后，这似乎也解释了一些异常结果。对于 LINEAR 函数，使用 fmin 而不是 fmin_bfgs 可能会更好。

量子点

于 2012-01-27T19:06:32.297 回答
0

从当前的 scipy 版本开始，您不需要传递 fprime 参数。它将毫无问题地为您计算梯度。您也可以使用“最小化”fn 并将方法作为“bfgs”而不提供渐变作为参数。

于 2016-12-08T19:52:59.987 回答