scipy.optimize.
approx_fprime#
- scipy.optimize.approx_fprime(xk, f, epsilon=np.float64(1.4901161193847656e-08), *args)[source]#
标量或向量值函数导数的有限差分近似。
如果一个函数从 \(R^n\) 映射到 \(R^m\),其导数构成一个 m 乘 n 矩阵,称为雅可比矩阵,其中元素 \((i, j)\) 是 f[i] 对
xk[j]
的偏导数。- 参数:
- xkarray_like
用于确定函数 f 梯度的坐标向量。
- fcallable
要估计其导数的函数。其签名为
f(xk, *args)
,其中 xk 是以 1-D 数组形式表示的参数,args 是完全指定函数所需的任何额外固定参数的元组。传递给此函数的参数 xk 是形状为 (n,) 的 ndarray(即使 n=1 也从不是标量)。它必须返回形状为 (m,) 的 1-D 数组或标量。假设可调用对象具有签名
f0(x, *my_args, **my_kwargs)
,其中my_args
和my_kwargs
是所需的按位置和关键字参数。与其将f0
作为可调用对象传递,不如将其包装为只接受x
;例如,将fun=lambda x: f0(x, *my_args, **my_kwargs)
作为可调用对象传递,其中my_args
(元组)和my_kwargs
(字典)已在此函数调用前收集好。版本 1.9.0 中的更改: f 现在能够返回 1-D 数组,并估计 \((m, n)\) 雅可比矩阵。
- epsilon{float, array_like}, 可选
用于确定函数梯度的 xk 增量。如果为标量,则所有偏导数使用相同的有限差分增量。如果为数组,则应包含 xk 的每个元素的一个值。默认为
sqrt(np.finfo(float).eps)
,大约是 1.49e-08。- *argsargs, 可选
要传递给 f 的任何其他参数。
- 返回:
- jacndarray
f 对 xk 的偏导数。
另请参阅
check_grad
对照 approx_fprime 检查梯度函数的正确性。
备注
函数梯度由前向有限差分公式确定
f(xk[i] + epsilon[i]) - f(xk[i]) f'[i] = --------------------------------- epsilon[i]
示例
>>> import numpy as np >>> from scipy import optimize >>> def func(x, c0, c1): ... "Coordinate vector `x` should be an array of size two." ... return c0 * x[0]**2 + c1*x[1]**2
>>> x = np.ones(2) >>> c0, c1 = (1, 200) >>> eps = np.sqrt(np.finfo(float).eps) >>> optimize.approx_fprime(x, func, [eps, np.sqrt(200) * eps], c0, c1) array([ 2. , 400.00004208])