只有在使用非常大或非常小的数字时，是否有人遇到过 fmin_slsqp（或 scipy.optimize 中的任何其他内容）的问题？
我正在编写一些 python 代码来获取灰度图像和蒙版，生成直方图，然后将多个高斯拟合到直方图。为了开发代码，我使用了一个小示例图像，经过一些工作，代码运行良好。但是，当我首先对直方图进行归一化，生成 bin 值
我环顾四周，发现人们在谈论 epsilon 值，它基本上是用于逼近导数的 dx，但调整并没有帮助。除此之外，我还没有发现任何有用的东西。任何想法将不胜感激。提前致谢。
詹姆斯
【问题讨论】：
标签： python scipy histogram gaussian least-squares
我也遇到过类似的问题 optimize.leastsq。我需要处理的数据通常非常小，例如 1e-18 等，我注意到在这些情况下，leastsq 不会收敛到最佳拟合参数。只有当我将数据缩放到更常见的东西（比如数百、数千等，可以用整数保持分辨率和动态范围的东西）时，我才能让 minimumsq 收敛到非常合理的东西。
我一直在尝试使用这些可选的容差参数，这样我就不必在优化之前缩放数据，但运气不佳...
有没有人知道一个很好的通用方法来避免 scipy.optimize 包中的函数出现这个问题？我很感激你能分享......我认为根源与 OP 的问题相同。
【讨论】：
当您的基础数据发生显着变化时，您是否正在更新您的初始猜测（“x0”）？对于任何迭代线性优化问题，如果您最初的猜测与您尝试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 scipy 问题。
【讨论】：
我也遇到了这个问题，但我在我的项目中解决了它。我不确定这是否是通用解决方案。
原因是当jac 参数设置为False 或默认值时，scipy.optimize.fmin_slsqp 通过近似方法计算梯度。从近似方法产生的梯度没有标准化（大规模）。在计算步长时，较大的梯度值会影响线搜索的性能和精度。这可能是我们得到Positive directional derivative for linesearch的原因。
您可以尝试将雅可比矩阵的封闭形式实现到对象函数并将其传递给jac 参数。更重要的是，您应该重新调整雅可比矩阵的值（如归一化）以避免影响线搜索。
最好的。
【讨论】：