Я использую scipy.optimize, чтобы свести к минимуму функцию из 12 аргументов.
Я начал оптимизацию некоторое время назад и все еще жду результатов.
Есть ли способ заставить scipy.optimize отобразить его прогресс (например, сколько уже сделано, какова лучшая лучшая точка)?
Как было предложено в mg007, некоторые из подпрограмм scipy.optimize позволяют использовать функцию обратного вызова (к сожалению, lesssq на данный момент не разрешает). Ниже приведен пример, использующий процедуру "fmin_bfgs", где я использую функцию обратного вызова для отображения текущего значения аргументов и значения целевой функции на каждой итерации.
import numpy as np
from scipy.optimize import fmin_bfgs
Nfeval = 1
def rosen(X): #Rosenbrock function
return (1.0 - X[0])**2 + 100.0 * (X[1] - X[0]**2)**2 + \
(1.0 - X[1])**2 + 100.0 * (X[2] - X[1]**2)**2
def callbackF(Xi):
global Nfeval
print '{0:4d} {1: 3.6f} {2: 3.6f} {3: 3.6f} {4: 3.6f}'.format(Nfeval, Xi[0], Xi[1], Xi[2], rosen(Xi))
Nfeval += 1
print '{0:4s} {1:9s} {2:9s} {3:9s} {4:9s}'.format('Iter', ' X1', ' X2', ' X3', 'f(X)')
x0 = np.array([1.1, 1.1, 1.1], dtype=np.double)
[xopt, fopt, gopt, Bopt, func_calls, grad_calls, warnflg] = \
fmin_bfgs(rosen,
x0,
callback=callbackF,
maxiter=2000,
full_output=True,
retall=False)
Результат выглядит следующим образом:
Iter X1 X2 X3 f(X)
1 1.031582 1.062553 1.130971 0.005550
2 1.031100 1.063194 1.130732 0.004973
3 1.027805 1.055917 1.114717 0.003927
4 1.020343 1.040319 1.081299 0.002193
5 1.005098 1.009236 1.016252 0.000739
6 1.004867 1.009274 1.017836 0.000197
7 1.001201 1.002372 1.004708 0.000007
8 1.000124 1.000249 1.000483 0.000000
9 0.999999 0.999999 0.999998 0.000000
10 0.999997 0.999995 0.999989 0.000000
11 0.999997 0.999995 0.999989 0.000000
Optimization terminated successfully.
Current function value: 0.000000
Iterations: 11
Function evaluations: 85
Gradient evaluations: 17
По крайней мере, таким образом вы можете наблюдать, как оптимизатор отслеживает минимальный
Какую функцию минимизации вы используете точно?
Большинство функций имеют встроенный отчет о ходе выполнения, включая несколько уровней отчетов, показывающих точно нужные вам данные, с использованием флага disp (например, см. scipy.optimize.fmin_l_bfgs_b).
Следуя примеру @joel, существует аккуратный и эффективный способ сделать аналогичную вещь. В следующем примере показано, как мы можем избавиться от переменных global, call_back и повторной оценки целевой функции несколько раз.
import numpy as np
from scipy.optimize import fmin_bfgs
def rosen(X, info): #Rosenbrock function
res = (1.0 - X[0])**2 + 100.0 * (X[1] - X[0]**2)**2 + \
(1.0 - X[1])**2 + 100.0 * (X[2] - X[1]**2)**2
# display information
if info['Nfeval']%100 == 0:
print '{0:4d} {1: 3.6f} {2: 3.6f} {3: 3.6f} {4: 3.6f}'.format(info['Nfeval'], X[0], X[1], X[2], res)
info['Nfeval'] += 1
return res
print '{0:4s} {1:9s} {2:9s} {3:9s} {4:9s}'.format('Iter', ' X1', ' X2', ' X3', 'f(X)')
x0 = np.array([1.1, 1.1, 1.1], dtype=np.double)
[xopt, fopt, gopt, Bopt, func_calls, grad_calls, warnflg] = \
fmin_bfgs(rosen,
x0,
args=({'Nfeval':0},),
maxiter=1000,
full_output=True,
retall=False,
)
Это будет генерировать вывод, например
Iter X1 X2 X3 f(X)
0 1.100000 1.100000 1.100000 2.440000
100 1.000000 0.999999 0.999998 0.000000
200 1.000000 0.999999 0.999998 0.000000
300 1.000000 0.999999 0.999998 0.000000
400 1.000000 0.999999 0.999998 0.000000
500 1.000000 0.999999 0.999998 0.000000
Warning: Desired error not necessarily achieved due to precision loss.
Current function value: 0.000000
Iterations: 12
Function evaluations: 502
Gradient evaluations: 98
Однако без бесплатного запуска здесь я использовал function evaluation times вместо algorithmic iteration times в качестве счетчика. Некоторые алгоритмы могут оценивать целевую функцию несколько раз за одну итерацию.
Попробуйте использовать:
options={'disp': True}
чтобы заставить scipy.optimize.minimize печатать промежуточные результаты.