python - "takes 1 positional argument but 2 were given"同时找到函数的最小值

Question

我想使用 fmin 找到函数的最小值，但出现以下错误:

TypeError: <lambda>() takes 1 positional argument but 2 were given

有问题的代码如下:

import numpy as np
from scipy.optimize import fmin

g = lambda alpha: np.sum(np.square(np.subtract(D, (avec[0]-alpha*grad)*f((avec[1]-alpha*grad),y))))

b = fmin(g,0.0)

你能告诉我如何解决这个问题吗？

完整代码在这里:

from scipy.optimize import fmin
from scipy import interpolate
import numpy as np



Emax = 10;
bins = 200;

x = np.linspace(1, Emax, num = Emax, dtype=np.int)   #create grid of indexes
y = np.linspace(1, bins, num = bins, dtype=np.int)
z = np.random.rand(bins, Emax)                       # response matrix   
f = interpolate.interp2d(x,y,z, kind='cubic')        # make the matrix continious

D= np.zeros(bins) 
D = 1*f(1.5, y) + 3*f(2.5, y)   # signal

iterations = 1000
step = 1e-5

avec = np.array([1.0,2.0])   # chosen starting parameters 
grad = np.array([0.0,0.0])
chix_current = np.arange(iterations, dtype=float)

#gradient unfolding

for i in range(0, iterations):
    fx = avec[0]*f(avec[1], y)     # evaluation in every layer
    chi = np.square(np.subtract(D,fx))    #chi function  
    chi_a = np.square(np.subtract(D,  (avec[0]+step)*f(avec[1],y))) 
    chi_b = np.square(np.subtract(D,  avec[0]*f((avec[1]+step),y)))   

    chisquared = np.sum(chi)
    chisquared_a = np.sum(chi_a)
    chisquared_b = np.sum(chi_b)

    grad[0] = np. divide(np.subtract(chisquared_a, chisquared), step)                 
    grad[1] = np.divide(np.subtract(chisquared_b, chisquared), step)        



    g= lambda alpha: np.sum(np.square(np.subtract(D,  (avec[0]-alpha*grad)*f((avec[1]-alpha*grad),y)) ))
    b= fmin(g,(0.0))


    avec= np.subtract(avec, 1e5*grad )

最终我只需要知道函数 g 处于最小值时的 alpha 值，并在最后一行中使用它而不是 1e5。

Answer 1

你的代码不太清楚，一些方法和变量不明确。

根据您给出的内容，lambda 函数 f() 似乎应该采用 1 个参数，但在 f() 内部您调用 f() 再次递归，但内部 f() 需要 2 个参数，我认为这是一个拼写错误。

尝试将您的 lambda 方法重命名为另一个不冲突的名称，例如 g:

g = lambda alpha: np.sum(np.square(np.subtract(D, (avec[0]-alpha*grad)*f((avec[1]-alpha*grad),y))))
b = fmin(g,0.0)