如何在2D数组上加速python curve_fit？

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了如何在2D数组上加速python curve_fit？，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含980字，纯文字阅读大概需要2分钟。

内容图文

我必须在大量数据(5 000 000)上使用curve_fit numpy函数.
所以基本上我已经创建了一个2D数组.第一维是要执行的配件数量,第二维是用于配件的点数.

t = np.array([0 1 2 3 4])

for d in np.ndindex(data.shape[0]):
  try:
    popt, pcov = curve_fit(func, t, np.squeeze(data[d,:]), p0=[1000,100])
  except RuntimeError:
    print("Error - curve_fit failed")

可以使用多处理来加快整个过程,但是它仍然很慢.
有没有办法以“向量化”方式使用curve_fit？

解决方法:

一种加快速度的方法是在curve_fit中添加一些先验知识.

如果知道参数的期望范围,并且不需要精确到第100个有效数字的精度,则可以大大加快计算速度.

在下面的示例中,您将适合param1和param2：

t = np.array([0 1 2 3 4])
def func(t, param1, param2):
  return param1*t + param2*np.exp(t)

for d in np.ndindex(data.shape[0]):
  try:
    popt, pcov = curve_fit(func, t, np.squeeze(data[d,:]), p0=[1000,100], 
                           bounds=([min_param1, min_param2],[max_param1, max_param2]),
                           ftol=0.5, xtol=0.5)
  except RuntimeError:
    print("Error - curve_fit failed")

注意额外的关键参数界限,ftol和xtol.您可以阅读有关它们的内容here.

内容总结

以上是互联网集市为您收集整理的如何在2D数组上加速python curve_fit？全部内容，希望文章能够帮你解决如何在2D数组上加速python curve_fit？所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端