Python 如何在数组的一部分调用scipy.minimize？

我正在努力获得

scipy.minimize

以获得一个优化参数，该参数是一个数组，其中我只查看目标函数中数组的一部分

import numpy as np
from scipy.optimize import minimize

n = 5
X_true = np.random.normal(size=(n,n))
X_guess = np.random.normal(size=(n,n))
indices = np.triu_indices(n)

def mean_square_error(X):
    return ((X.flatten() - X_true.flatten()) ** 2).mean()

def mean_square_error_over_indices(X):
    return ((X[indices].flatten() - X_true[indices].flatten()) ** 2).mean()

# works fine
print(mean_square_error(X_guess)) 

# works fine
print(mean_square_error_over_indices(X_guess)) 

# works fine (flatten is necessary inside the objective function)
print(minimize(mean_square_error, X_guess).x)

# IndexError
print(minimize(mean_square_error_over_indices, X_guess).x)

回溯：

IndexError                                Traceback (most recent call last)
<ipython-input-1-08d40604e22a> in <module>
     20 print(minimize(mean_square_error, X_guess).x) # works fine
     21 
---> 22 print(minimize(mean_square_error_over_indices, X_guess).x) # error

C:\Anaconda\lib\site-packages\scipy\optimize\_minimize.py in minimize(fun, x0, args, method, jac, hess, hessp, bounds, constraints, tol, callback, options)
    593         return _minimize_cg(fun, x0, args, jac, callback, **options)
    594     elif meth == 'bfgs':
--> 595         return _minimize_bfgs(fun, x0, args, jac, callback, **options)
    596     elif meth == 'newton-cg':
    597         return _minimize_newtoncg(fun, x0, args, jac, hess, hessp, callback,

C:\Anaconda\lib\site-packages\scipy\optimize\optimize.py in _minimize_bfgs(fun, x0, args, jac, callback, gtol, norm, eps, maxiter, disp, return_all, **unknown_options)
    968     else:
    969         grad_calls, myfprime = wrap_function(fprime, args)
--> 970     gfk = myfprime(x0)
    971     k = 0
    972     N = len(x0)

C:\Anaconda\lib\site-packages\scipy\optimize\optimize.py in function_wrapper(*wrapper_args)
    298     def function_wrapper(*wrapper_args):
    299         ncalls[0] += 1
--> 300         return function(*(wrapper_args + args))
    301 
    302     return ncalls, function_wrapper

C:\Anaconda\lib\site-packages\scipy\optimize\optimize.py in approx_fprime(xk, f, epsilon, *args)
    728 
    729     """
--> 730     return _approx_fprime_helper(xk, f, epsilon, args=args)
    731 
    732 

C:\Anaconda\lib\site-packages\scipy\optimize\optimize.py in _approx_fprime_helper(xk, f, epsilon, args, f0)
    662     """
    663     if f0 is None:
--> 664         f0 = f(*((xk,) + args))
    665     grad = numpy.zeros((len(xk),), float)
    666     ei = numpy.zeros((len(xk),), float)

C:\Anaconda\lib\site-packages\scipy\optimize\optimize.py in function_wrapper(*wrapper_args)
    298     def function_wrapper(*wrapper_args):
    299         ncalls[0] += 1
--> 300         return function(*(wrapper_args + args))
    301 
    302     return ncalls, function_wrapper

<ipython-input-1-08d40604e22a> in mean_square_error_over_indices(X)
     11 
     12 def mean_square_error_over_indices(X):
---> 13     return ((X[indices].flatten() - X_true[indices].flatten()) ** 2).mean()
     14 
     15 

IndexError: too many indices for array

索引器错误回溯（最近一次调用）
在里面
20打印（最小化（均方误差，X_猜测）。X）#效果良好
21
--->22打印（最小化（指数上的均方误差，X_猜测）。X）#误差
最小化中的C:\Anaconda\lib\site packages\scipy\optimize\\u minimize.py（fun、x0、args、method、jac、hess、hessp、bounds、constraints、tol、callback、options）
593返回最小化cg（乐趣、x0、参数、jac、回调，**选项）
594 elif meth==“bfgs”：
-->595返回_最小化_bfgs（乐趣、x0、参数、jac、回调，**选项）
596 elif meth==‘牛顿重心’：
597返回_最小化_newtoncg（fun、x0、args、jac、hess、hessp、callback、，
C:\Anaconda\lib\site packages\scipy\optimize\optimize.py in_minimize_bfgs（fun、x0、args、jac、callback、gtol、norm、eps、maxiter、disp、return_all、**未知选项）
968其他：
969 grad_调用，myfprime=wrap_函数（fprime，args）
-->970 gfk=myfprime（x0）
971K=0
972 N=len（x0）
C:\Anaconda\lib\site packages\scipy\optimize\optimize.py在函数\u wrapper（*wrapper\u args）中
298 def函数包装器（*包装器参数）：
299 nCall[0]+=1
-->300返回函数（*（包装器参数+参数））
301
302返回NCALL，函数包装器
C:\Anaconda\lib\site packages\scipy\optimize\optimize.py，单位约为（xk，f，epsilon，*args）
728
729     """
-->730返回近似优先辅助对象（xk，f，ε，args=args）
731
732
C:\Anaconda\lib\site packages\scipy\optimize\optimize.py在\u近似\u fprime\u帮助程序中（xk，f，epsilon，args，f0）
662     """
663如果f0为无：
-->664 f0=f（*（xk，）+args））
665梯度=整数零（（len（xk），浮点）
666 ei=整数零（（len（xk），浮点）
C:\Anaconda\lib\site packages\scipy\optimize\optimize.py在函数\u wrapper（*wrapper\u args）中
298 def函数包装器（*包装器参数）：
299 nCall[0]+=1
-->300返回函数（*（包装器参数+参数））
301
302返回NCALL，函数包装器
指数（X）上的均方误差
11
指数（X）上的12 def均方误差：
--->13返回（（X[index].flatte（）-X_true[index].flatte（））**2）.mean（）
14
15
索引器：数组的索引太多

基于

scipy.optimize.minimize

接受1d数组，因此您使用“展平（）”是正确的，但您也应该将其用于传递到minimize（）的初始猜测。以下是我解决问题的建议：

将numpy导入为np
从scipy.optimize导入最小化
#初始化
n=5
x_true=np.random.normal（大小=（n，n））
x_guess=np.random.normal（大小=（n，n））
指数=np.triu_指数（n）
#展平初始值以最小化
guess\u x0=x\u guess.flatten（）
guess\u indices\u x0=x\u guess[index].flatten（）
#定义目标函数
mse=lambda x:（（x-x_true.flatte（））**2.mean（）
指数上方的mse_=lambda x:（（x-x_真[指数].flatte（））**2）.mean（）
#很好
打印（“MSE:%5f”%MSE（猜测）
打印（“索引的MSE:%5f”%MSE超过索引（猜测索引x0））
#工作正常（目标函数内部需要展平）
打印（“结果1:”，最小化（mse，guess_x0）.x）
打印（“结果2:”，最小化（mse超过指数，猜测指数）。x）

输出：

MSE: 2.763674
MSE for indices: 3.192139
Result 1: [-1.2828193   0.49468516 -0.99500157 -0.47284983  1.6380719  -0.33051017
  0.13769163 -0.23920633 -0.87430572  0.63945803  1.38327467  0.8484247
  0.31888506 -1.15764468  1.06891773 -0.28372002  1.34104286  1.21024251
 -0.11020374  1.37024001  1.08940389  1.82391261  0.32469148  0.64567877
  0.54364199]
Result 2: [-1.28281964  0.49468503 -0.99500147 -0.47284976  1.63807209  0.13769154
 -0.23920624 -0.87430606  0.63945812  0.31888521 -1.15764475  1.06891776
 -0.11020373  1.37024006  0.54364213]

---

您是否检查了函数从

minimize

获得的

X

的形状？谢谢，这帮助我解决了问题！但是，我最大的错误是

X[index]

是在

索引中处理
X
的错误方法，因此我问了一个错误的问题！它们需要解包，例如
X，y=np.转置（索引）
，否则代码会解释得很奇怪。如果你能在答案中提到这一点，我很乐意勾选它。我不确定，为了编辑问题，你到底指的是什么。欢迎你编辑答案并添加缺少的部分。