我目前正在嘗試開發一個執行矩陣乘法的函式，同時用odeintin 展開一個微分方程，Python我看到了奇怪的結果。
我轉換了函式：
def f(x, t):
return [
-0.1 * x[0] 2 * x[1],
-2 * x[0] - 0.1 * x[1]
]
到下面，以便我可以合并不同的矩陣。我有下面的值和函式矩陣，它采用該矩陣的特定值：
from scipy.integrate import odeint
x0_train = [2,0]
dt = 0.01
t = np.arange(0, 1000, dt)
matrix_a = np.array([-0.09999975, 1.999999, -1.999999, -0.09999974])
# Function to run odeint with
def f(x, t, a):
return [
a[0] * x[0] a[1] * x[1],
a[2] * x[0] - a[3] * x[1]
]
odeint(f, x0_train, t, args=(matrix_a,))
>>> array([[ 2. , 0. ],
[ 1.99760115, -0.03999731],
[ 1.99440529, -0.07997867],
...,
[ 1.69090227, 1.15608741],
[ 1.71199436, 1.12319701],
[ 1.73240339, 1.08985846]])
這似乎是正確的，但是當我創建自己的函式來執行乘法/回歸時，我看到陣列底部的結果完全不同。我有兩個稀疏陣列，它們提供相同的條件，matrix_a但它們周圍有零。
from sklearn.preprocessing import PolynomialFeatures
new_matrix_a = array([[ 0. , -0.09999975, 1.999999 , 0. , 0. ,
0. , 0. , 0. , 0. , 0. ,
0. , 0. , 0. , 0. , 0. ,
0. , 0. , 0. , 0. , 0. ,
0. ],
[ 0. , -1.999999 , -0.09999974, 0. , 0. ,
0. , 0. , 0. , 0. , 0. ,
0. , 0. , 0. , 0. , 0. ,
0. , 0. , 0. , 0. , 0. ,
0. ]])
# New function
def f_new(x, t, parameters):
polynomials = PolynomialFeatures(degree=5)
x = np.array(x).reshape(-1,2)
#x0_train_array_reshape = x0_train_array.reshape(1,2)
polynomial_transform = polynomials.fit(x)
polynomial_features = polynomial_transform.fit_transform(x).T
x_ode = np.matmul(parameters[0],polynomial_features)
y_ode = np.matmul(parameters[1],polynomial_features)
return np.concatenate((x_ode, y_ode), axis=None).tolist()
odeint(f_new, x0_train, t, args=(new_matrix_a,))
>>> array([[ 2.00000000e 00, 0.00000000e 00],
[ 1.99760142e 00, -3.99573216e-02],
[ 1.99440742e 00, -7.98188169e-02],
...,
[-3.50784051e-21, -9.99729456e-22],
[-3.50782881e-21, -9.99726119e-22],
[-3.50781711e-21, -9.99722781e-22]])
如您所見，我在陣列末尾得到了完全不同的值。我一直在運行我的代碼，但似乎找不到它們不同的原因。有沒有人有明確的原因，或者我是否做錯了什么f_new？理想情況下，我想開發一個可以在matrix_a其中采用任何值的函式，這就是我嘗試創建這個新函式的原因。
提前致謝。
uj5u.com熱心網友回復：
您或許應該在第一個版本中更多地使用 numpy，以避免常規演算法中的符號錯誤。
def f(x, t, a):
return a.reshape([2,2]) @ x # or use matmul, or a.reshape([2,2]).dot(x)
或者，為了效率，通過已經重塑的a.
轉載請註明出處，本文鏈接：https://www.uj5u.com/shujuku/361805.html