Python 使用非常大或非常小的数字时，scipy.optimize.fmin_slsqp存在问题
是否有人只在使用非常大或非常小的数字时遇到过fmin_slsqp（或scipy.optimize中的任何其他内容）问题Python 使用非常大或非常小的数字时，scipy.optimize.fmin_slsqp存在问题,python,scipy,histogram,gaussian,least-squares,Python,Scipy,Histogram,Gaussian,Least Squares,是否有人只在使用非常大或非常小的数字时遇到过fmin_slsqp（或scipy.optimize中的任何其他内容）问题 我正在编写一些python代码，以获取灰度图像和遮罩，生成直方图，然后将多个高斯值拟合到直方图。为了开发代码，我使用了一个小样本图像，经过一些工作，代码运行得非常出色。然而，当我首先规范化直方图时，生成bin值当基础数据发生显著变化时，您是否在更新初始猜测（“x0”）呢？对于任何迭代线性优化问题，如果您的初始猜测与您试图拟合的数据相去甚远，就会出现这些问题。这更像是一个优化问题
我正在编写一些python代码，以获取灰度图像和遮罩，生成直方图，然后将多个高斯值拟合到直方图。为了开发代码，我使用了一个小样本图像，经过一些工作，代码运行得非常出色。然而，当我首先规范化直方图时，生成bin值当基础数据发生显著变化时，您是否在更新初始猜测（“x0”）呢？对于任何迭代线性优化问题，如果您的初始猜测与您试图拟合的数据相去甚远，就会出现这些问题。这更像是一个优化问题，而不是一个小问题。我也有过类似的优化问题。我需要处理的数据通常非常小，如1e-18之类，我注意到在这些情况下，leastsq不会收敛到最佳拟合参数。只有当我将数据扩展到更常见的范围（比如成百上千等，可以用整数保持分辨率和动态范围）时，我才能让leastsq收敛到非常合理的范围 我一直在尝试使用这些可选的公差参数，这样我就不必在优化之前缩放数据，但在这方面运气不太好
是否有人知道一个好的通用方法来避免scipy.optimize包中的函数出现此问题？我很感激你能和我分享。。。我认为OP的根本问题是相同的。我也遇到了这个问题，但我在我的项目中解决了它。我不确定这是否是一个普遍的解决方案 原因是当参数
jacFalsescipy.optimize.fmin_slsqpjac