Краткий обзор проблемы: При попытке использовать функцию минимизации (оптимизации) scipy.optimize.fmin_bfgs, функция выдает

derphi0 = np.dot (gfk, pk) ValueError:матрицы не выровнены

ошибка. Согласно моей проверке ошибок, это происходит в самом конце первой итерации через fmin_bfgs - перед тем, как будут возвращены какие-либо значения или любые вызовы обратного вызова.

Конфигурация: Windows Vista Python 3.2.2 IDE SciPy 0.10 = Eclipse с PyDev

Подробное описание: Я использую scipy.optimize.fmin_bfgs, чтобы минимизировать стоимость простой реализации логистической регрессии (преобразование из Octave в Python / SciPy). По сути, функция стоимости называется функцией cost_arr, а градиентный спуск - функцией градиент_descent_arr.

Я вручную проверил и полностью проверил, что * cost_arr * и * Gradient_descent_arr * работают правильно и возвращают все значения правильно. Я также проверил, чтобы убедиться, что правильные параметры передаются в функцию * fmin_bfgs *. Тем не менее, при запуске я получаю ValueError: матрицы не выровнены. Согласно обзору источника, точная ошибка возникает в

Функция def line_search_wolfe1 в строке Minol's Wolfe и скалярных поисках, предоставляемых пакетами scipy.

Примечательно, если я используюscipy.optimize.fmin вместо этогоFmin Функция работает до завершения.

Точная ошибка:

Файл "D: \ Users \ Shannon \ Programming \ Eclipse \ workspace \ SBML \ sbml \ LogisticRegression.py", строка 395, в 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)   

Файл "C: \ Python32x32 \ lib \ site-packages \ scipy \ optimize \ optimize.py", строка 533, в fmin_bfgs old_fval, old_old_fval)
Файл "C: \ Python32x32 \ lib \ site-packages \ scipy \ optimize \ linesearch.py", строка 76, в line_search_wolfe1 derphi0 = np.dot (gfk, pk) ValueError: матрицы не выровнены

Я вызываю функцию оптимизации с помощью: 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)

Я провел несколько дней, пытаясь это исправить, и не могу определить, что является причинойматрицы не выровнены ошибка.

ADDENDUM: 2012-01-08 Я работал с этим гораздо больше и, похоже, сузил проблемы (но не могу понять, как их исправить). Во-первых, fmin (используя просто fmin) работает с использованием этих функций - cost, градиента. Во-вторых, функции стоимости и градиента точно возвращают ожидаемые значения при тестировании за одну итерацию в ручной реализации (НЕ используя fmin_bfgs). В-третьих, я добавил код ошибки в optimize.linsearch и, похоже, ошибка выдается в def line_search_wolfe1 в строке: derphi0 = np.dot (gfk, pk). Здесь, согласно моим тестам, scipy.optimize.optimize pk = [[12.00921659] [11.26284221]] pk type = и scipy.optimize.optimizegfk = [[-12.00921659] [-11.26284221]] gfk type = Примечание: согласно моему В тестах ошибка выдается на самой первой итерации через fmin_bfgs (т. е. fmin_bfgs никогда даже не завершает ни одной итерации или обновления).

Я ценю ЛЮБОЕ руководство или понимание.

Мой код ниже (ведение журнала, документация удалена): Предположим, что theta = 2x1 ndarray (Фактически: размер theta Info = = (2, 1) Type =) Предположим, X = 100x2 ndarray (Фактически: X Info Size = (2, 100) Type =) Предположим, y = 100x1 ndarray (Фактически: 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