问题简介：当试图使用scipy.optimize.fmin_bfgs最小化（优化）函数时，该函数会抛出
derphi0=np.dot（gfk，pk）ValueError：矩阵未对齐
错误。根据我的错误检查，这发生在通过fmin_bfgs的第一次迭代的最后——就在返回任何值或调用回调之前。
配置：Windows VistaPython 3.2.2SciPy 0.10IDE=带有PyDev 的Eclipse
详细描述：我使用scipy.optimize.fmin_bfgs来最小化简单逻辑回归实现（从Octave转换为Python/scipy）的成本。基本上，成本函数被命名为cost_arr函数，梯度下降在gradient_descent_arr函数中。
我已经手动测试并完全验证了*cost_arr*和*gradient_descent_arr*工作正常，并正确返回所有值。我还进行了测试，以验证是否向*fmin_bfgs*函数传递了正确的参数。然而，当运行时，我会得到ValueError：矩阵没有对齐。根据来源审查，准确的错误发生在中
def line_search_wolve1函数和scipy包提供的标量搜索。
值得注意的是，如果我使用scipy.moptimite.fmin，fmin函数将运行完成。
精确错误：
文件"D:\Users\Shannon\Programing\Eclipse\workspace\SBML\SBML\LogisticRegression.py"，第395行，在fminunc_opt 中
optcost = scipy.optimize.fmin_bfgs(self.cost_arr, initialtheta, fprime=self.gradient_descent_arr, args=myargs, maxiter=maxnumit, callback=self.callback_fmin_bfgs, retall=True)文件"C:\Python32x32\lib\site packages\scipy\poptimity\py"，第行533，格式为fmin_bfgs old_fval，old_old_fval）
文件"C:\Python32x32\lib\site packages\scipy\optimity\linesearch.py"，第行76，在line_search_wolve1中derphi0=np.dot（gfk，pk）ValueError：矩阵未对齐
我调用优化函数时使用：optcost=scipy.moptimit.fmin_bfgs（self-cost_arr，initialttheta，fprime=self-gradient_descent_arr，args=myargs，maxiter=maxnumit，callback=self-callback_fmin_bfgs，retall=True）
我花了几天时间试图解决这个问题，但似乎无法确定是什么原因导致矩阵未对齐错误。
补遗：2012-01-08我对此做了更多的工作，似乎缩小了问题的范围（但对如何解决这些问题感到困惑）。首先，fmin（只使用fmin）使用这些函数——成本、梯度。其次，当在手动实现（不使用fmin_bfgs）中的单个迭代中进行测试时，成本函数和梯度函数都准确地返回期望值。第三，我在optimize.linsearch中添加了错误代码，错误似乎是在第行的def line_search_wolfe1处抛出的：derphi0=np.dot（gfk，pk）。这里，根据我的测试，scipy.optimize.moptimize pk=[[12.00921659][11.26284221]]pk类型=和scipy.optimize.optimize gfk=[[-12.0921659][-11.26284221]gfk类型=注意：根据我的测试，错误是在fmin_bfgs的第一次迭代中抛出的（即，fmin_bfg甚至从未完成过一次迭代或更新）。
我感谢任何指导或见解。
下面的我的代码（日志记录，文档已删除）：假设θ=2x1 ndarray（实际：θ信息大小=（2，1）类型=）假设X=100x2 ndarray（实际：X信息大小=（2100）类型=）假设y=100x1 ndarray（实际：y信息大小=（100，1）类型=）
def cost_arr(self, theta, X, y):
theta = scipy.resize(theta,(2,1))
m = scipy.shape(X)
m = 1 / m[1] # Use m[1] because this is the length of X
logging.info(__name__ + "cost_arr reports m = " + str(m))
z = scipy.dot(theta.T, X) # Must transpose the vector theta
hypthetax = self.sigmoid(z)
yones = scipy.ones(scipy.shape(y))
hypthetaxones = scipy.ones(scipy.shape(hypthetax))
costright = scipy.dot((yones - y).T, ((scipy.log(hypthetaxones - hypthetax)).T))
costleft = scipy.dot((-1 * y).T, ((scipy.log(hypthetax)).T))
def gradient_descent_arr(self, theta, X, y):
theta = scipy.resize(theta,(2,1))
m = scipy.shape(X)
m = 1 / m[1] # Use m[1] because this is the length of X
x = scipy.dot(theta.T, X) # Must transpose the vector theta
sig = self.sigmoid(x)
sig = sig.T - y
grad = scipy.dot(X,sig)
grad = m * grad
return grad
def fminunc_opt_bfgs(self, initialtheta, X, y, maxnumit):
myargs= (X,y)
optcost = scipy.optimize.fmin_bfgs(self.cost_arr, initialtheta, fprime=self.gradient_descent_arr, args=myargs, maxiter=maxnumit, retall=True, full_output=True)
return optcost
如果其他人遇到这个问题。。。。
1） 错误1：如注释中所述，我错误地将梯度中的值返回为多维数组（m，n）或（m，1）。fmin_bfgs似乎需要从渐变输出1d数组（也就是说，必须返回（m，）数组，而不是（m，1）数组。如果您不确定返回值，请使用scipy.shape（myarray）检查尺寸。
修复包括添加：
grad = numpy.ndarray.flatten(grad)
就在从梯度函数返回梯度之前。这将数组从（m，1）"展平"到（m，）。fminbfgs可以将此作为输入。
2） 错误2：记住，fmin_bfgs似乎适用于非线性函数。在我的例子中，我最初使用的样本是一个线性函数。这似乎可以解释一些异常结果，即使在上述平坦固定之后也是如此。对于LINERAL函数，fmin而不是fmin_bfgs可能工作得更好。
QED
从当前的scipy版本开始，您不需要传递fprime参数。它将为您计算梯度，而不会出现任何问题。您也可以使用"最小化"fn并将方法作为"bfgs"传递，而不提供梯度作为参数。