python - 如何在二维数组上加速 python curve_fit？

Question

我必须对大量数据 (5 000 000) 使用 curve_fit numpy 函数。所以基本上我已经创建了一个二维数组。第一维是要执行的拟合数，第二维是用于拟合的点数。

t = np.array([0 1 2 3 4])

for d in np.ndindex(data.shape[0]):
  try:
    popt, pcov = curve_fit(func, t, np.squeeze(data[d,:]), p0=[1000,100])
  except RuntimeError:
    print("Error - curve_fit failed")

multiprocessing 可以用来加速整个过程，但它仍然很慢。有没有办法以“矢量化”方式使用 curve_fit？

Answer 1

加快速度的一种方法是向 curve_fit 添加一些先验知识。

如果您知道参数的预期范围，并且不需要精确到第 100 个有效数字，则可以大大加快计算速度。

这是一个示例，您将在其中适合 param1 和 param2:

t = np.array([0 1 2 3 4])
def func(t, param1, param2):
  return param1*t + param2*np.exp(t)

for d in np.ndindex(data.shape[0]):
  try:
    popt, pcov = curve_fit(func, t, np.squeeze(data[d,:]), p0=[1000,100], 
                           bounds=([min_param1, min_param2],[max_param1, max_param2]),
                           ftol=0.5, xtol=0.5)
  except RuntimeError:
    print("Error - curve_fit failed")

注意额外的关键参数 bounds、ftol 和 xtol。您可以阅读有关它们的信息 here.