python-3.x - 矩阵未对齐错误: Python SciPy fmin_bfgs

Question

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

derphi0 = np.dot(gfk, pk) ValueError: matrices are not aligned

错误。根据我的错误检查，这发生在 fmin_bfgs 第一次迭代的最后——就在返回任何值或调用任何回调之前。

配置: window VistaPython 3.2.2SciPy 0.10IDE = Eclipse 与 PyDev

详细说明:我使用 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。

我已手动测试并完全验证 *cost_arr* 和 *gradient_descent_arr* 是否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，运行时，我得到 ValueError: 矩阵未对齐。根据源码审查，确切的错误发生在

def line_search_wolfe1 function in # Minpack's Wolfe line and scalar searches as supplied by the scipy packages.

值得注意的是，如果我使用 scipy.optimize.fmin 代替，fmin 函数将运行完成。

确切错误:

File "D:\Users\Shannon\Programming\Eclipse\workspace\SBML\sbml\LogisticRegression.py", line 395, in 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)   

File "C:\Python32x32\lib\site-packages\scipy\optimize\optimize.py", line 533, in fmin_bfgs old_fval,old_old_fval)
File "C:\Python32x32\lib\site-packages\scipy\optimize\linesearch.py", line 76, in line_search_wolfe1 derphi0 = np.dot(gfk, pk) ValueError: matrices are not aligned

我使用以下方式调用优化函数: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，但似乎无法确定是什么导致了矩阵未对齐错误。

附录:2012-01-08我对此进行了更多的研究，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)使用这些函数来工作——成本、梯度。其次，在手动实现的单次迭代中进行测试时，成本函数和梯度函数都准确返回预期值(不使用 fmin_bfgs)。第三，我向optimize.linsearch添加了错误代码，并且该错误似乎是在def line_search_wolfe1处抛出的:derphi0 = np.dot(gfk, pk)。在这里，根据我的测试， scipy.optimize.optimize pk = [[ 12.00921659] [11.26284221]]pk类型=和scipy.optimize.optimizegfk=[[-12.00921659][-11.26284221]]gfk类型=注意:根据我的测试，错误是在 fmin_bfgs 的第一次迭代时抛出的(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(日志记录，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

Answer 1

如果其他人遇到这个问题......

1) 错误 1:如注释中所述，我错误地将渐变值作为多维数组 (m,n) 或 (m,1) 返回。 fmin_bfgs 似乎需要从梯度输出一个一维数组(也就是说，您必须返回一个 (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)

就在从梯度函数返回梯度之前。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线性函数。这似乎可以解释即使在上述扁平化修复之后仍会出现一些异常结果。对于线性函数，fmin(而不是 fmin_bfgs)可能效果更好。

QED