mindspore.scipy.optimize.minimize

mindspore.scipy.optimize.minimize(func, x0, args=(), method=None, jac=None, hess=None, hessp=None, bounds=None, constraints=(), tol=None, callback=None, options=None)

最小化一个或多个变量的标量函数。

此函数的API与SciPy匹配，但有一些细微的差异：

当 jac 为None时，会使用MindSpore的自动微分功能计算 func 的反向梯度。 method 参数是必需的。如果不指定求解器，将触发异常。 尚未实现SciPy接口中的如下可选参数：”hess”、”hessp”、”bounds”、”constraints”、”tol”、”callback”。 由于线搜索实现的差异，优化结果可能与SciPy不同。

说明

• minimize 接口当前还不支持多维Tensor输入或求微分，但有支持的计划。

• Windows平台上还不支持 minimize。

• LAGRANGE 方法仅在 GPU 上支持。

参数：

• func (Callable) - 要最小化的目标函数 \(fun(x,*args) -> float\)，其中 x 是一个一维数组，其shape为 \((n,)\)。 args 是一个Tuple，用于指定 func 的执行所需的所有参数。 当 jac 为None时，func 必须能支持微分。

• x0 (Tensor) - 初始猜测。shape为 \((n,)\) 的实数数组，其中 n 是自变量的个数。

• args (Tuple) - 传递给目标函数的额外参数。默认值：() 。

• method (str) - 求解器类型。应为 “BFGS” 和 “LBFGS”、“LAGRANGE” 中的一种。

• jac (Callable, 可选) - 计算梯度向量的函数。 只支持 “BFGS” 和 “LBFGS”。如果为None，则将使用 func 的反向梯度函数进行梯度计算。 如果 jac 是可执行的，则应该是能返回梯度向量的函数：\(jac(x, *args) -> array\_like, shape (n,)\)，其中x是一个数组，其shape为 \((n,)\)，args 是一个具有固定参数的元组。

• hess (Callable, 可选) - 计算Hessian矩阵的方法。当前尚未实现。

• hessp (Callable, 可选) - 目标函数的Hessian乘以任意向量 p 。当前尚未实现。

• bounds (Sequence, 可选) - x 中的每个元素的 (min, max) 对的序列。当前尚未实现。

• constraints (Callable, 可选) - 表示不等式的约束，约束中的每个函数都将 function < 0 表示为不等式约束。

• tol (float, 可选) - 异常终止的容差范围。如需更具体的操控，请使用求解器里专门的选项。默认值：None。

• callback (Callable, 可选) - 每次迭代后调用的可执行函数。当前尚未实现。

• options (Mapping[str, Any], 可选) - 用于保存求解器可选项的字典。所有求解器方法都能支持下述通用选项。默认值：None。

  • "history_size" (int) - 用于更新Hession矩阵的逆的缓冲区大小，仅支持与 method=”LBFGS” 一起使用。默认值：20。

  • "maxiter" (int) - 要执行的最大迭代次数。根据方法的不同，每个迭代可能会使用多个函数进行求值。

  以下选项是拉格朗日方法的专有选项：

  • "save_tol" (list) - 保存 tol 的列表，长度与 constrains 相同。

  • "obj_weight" (float) - 目标函数的权重，通常在1.0 - 100000.0之间。

  • "lower" (Tensor) - 变量的下限约束，必须具有与 x0 相同的shape。

  • "upper" (Tensor) - 变量的上限约束，必须具有与 x0 相同的shape。

  • "learning_rate" (float) - 每个Adam步骤的学习率。

  • "coincide_func" (Callable) - 子函数，表示目标函数和约束之间的公共部分，用于避免冗余计算。

  • "rounds" (int) - 更新拉格朗日乘数的次数。

  • "steps" (int) - 每执行 steps 次就执行一次Adam去更新拉格朗日乘数。

  • "log_sw" (bool) - 是否打印每一步的 loss 值。

返回：

优化的结果。

支持平台：

GPU CPU

样例：

>>> import numpy as onp
>>> from mindspore.scipy.optimize import minimize
>>> from mindspore import Tensor
>>> x0 = Tensor(onp.zeros(2).astype(onp.float32))
>>> def func(p):
...     x, y = p
...     return (x ** 2 + y - 11.) ** 2 + (x + y ** 2 - 7.) ** 2
>>> res = minimize(func, x0, method='BFGS', options=dict(maxiter=None, gtol=1e-6))
>>> print(res.x)
[3. 2.]
>>> l_res = minimize(func, x0, method='LBFGS', options=dict(maxiter=None, gtol=1e-6))
>>> print(l_res.x)
[3. 2.]