我'm doing an optimization with scipy.optimize.minimize, and attempting to use the following methods: ' Newton-CG ', ' dogleg ', and ' trust-ncg' . 据我所知，对于这些方法，需要一个目标函数的雅可比 . 但是，documentation建议如果将jac设置为False，则将以数字方式计算渐变 .
所以我试图像这样调用函数：
scipy.optimize.minimize(fun,x0,method='Newton-CG',jac=False,options={'disp':True}
当我调用它时，我收到以下错误消息：
File "/usr/lib/python2.7/dist-packages/scipy/optimize/optimize.py", line 1351, in _minimize_newtoncg
raise ValueError('Jacobian is required for Newton-CG method')
这是令人惊讶的，因为我认为我只是将其设置为False（如果jac设置为None，则此异常仅发生在* / optimize.py中） . 所以我进入/usr/lib/python2.7/dist-packages/scipy/optimize/optimize.py并查看函数
def _minimize_newtoncg(fun, x0, args=(), jac=None, hess=None, hessp=None,
callback=None, xtol=1e-5, eps=_epsilon, maxiter=None,
disp=False, return_all=False,
**unknown_options):
在这个函数的开头我写了以下print语句：
print (jac)
_check_unknown_options(unknown_options)
print(jac)
if jac is None:
raise ValueError('Jacobian is required for Newton-CG method')
令人惊讶的是，“无”是打印而不是假！所以我看看调用函数，它位于/usr/lib/python2.7/dist-packages/scipy/optimize/_minimize.py中，我找到了将其设置为None的代码片段：
if not callable(jac):
if bool(jac):
fun = MemoizeJac(fun)
jac = fun.derivative
else:
jac = None
因此，为什么将jac设置为None是有道理的（尽管它似乎与文档不兼容，表明我将通过在原始函数调用中将jac设置为False来获得jacobian的数值近似） .
我错过了什么？我是否有可能像上面用Scipy计算雅各比的数值近似来调用'Newton-CG'方法？
1 回答
根据我对SciPy的经验......
SciPy文档引用的数值近似是您在引用的代码中看到的“MemoizeJac”类 . 当没有提供“jac”时，记忆会自动发生 . 在Newton-CG函数的文档中，可能是一个错误，它告诉您将Jacobian设置为“False” .
只需设置jac = None或不为jac提供参数，渐变的数值近似将用于Newton-CG函数 .