Как различить аргументы ключевых слов в функции imum_squares()?

У меня есть функция четырех входных переменных, которые я пытаюсь минимизировать, используя метод оптимизации Левенбурга-Марквардта. Предыдущие результаты, в которых гессиан / градиент вычислялся с использованием приближенной разностной аппроксимации, были недостаточно точными, поэтому я хотел добавить гессиан / градиент в качестве вызываемого аргумента к методу метода less_squares(). Это то, что я пытался -

Используя Sympy, я рассчитал градиент и гессиан используя

gradient_vec = [diff(obj_func, var) for var in (x1, x2, y1, y2)]
hessian_mat = [[obj_func.diff(var1).diff(var2) for var1 in list((x1, x2, y1, y2))] for var2 in list((x1, x2, y1, y2))]
grad_func = lambdify([x1, x2, y1, y2, f], gradient_vec, 'numpy')
hess_matr_func = lambdify([x1, x2, y1, y2, f], hessian_mat, 'numpy')

где f является дополнительным аргументом для функций градиента и гессиана. В моем leastsq вызов функции (моя целевая функция имеет только один вход),

result = leastsq(obj_fun, x0=np.random.uniform(size=(4,)), Dfun=grad_func, args=(f,))

Я запускаю это, и я продолжаю получать эту ошибку

TypeError: obj_fun() takes 1 positional argument but 2 were given

Итак, я попробовал least_squares() функция с method='lm' аргумент и когда я передаю Гессиана как,

result = least_squares(obj_fun, x0=np.random.uniform(size=(4,), method='lm', jac=hess_matr_func, args=(f,))

И я все еще получаю ту же ошибку. Как я могу передать аргумент *args но только для градиента / гессиана? Я пытался использовать functools.partial создать обертку вокруг вызываемой функции, и даже это не помогло. Большое спасибо за вашу помощь!

1 ответ

Я не думаю, что вы можете иметь разные аргументы для функции и ее производных.

Одним из способов может быть сохранение этого дополнительного аргумента в качестве атрибута (функции python также могут иметь атрибуты). Или создайте класс с методом с одним аргументом и сохраните этот дополнительный атрибут в экземпляре.

Другие вопросы по тегам