Python Реализация проксимального чередующегося алгоритма линеаризованной минимизации - PullRequest
Новая
       46

Python Реализация проксимального чередующегося алгоритма линеаризованной минимизации

1 голос
/ 17 мая 2019

enter image description here Обновления градиентов как-то не так.

Я реализовал приведенный ниже алгоритм. Я сделал что-то не так

enter image description here

'''
Implementation of PALM- proximal alternating linearisation method
'''
def palm(X,m,niter,lamda):
    X = X.T
    l = X.shape[0]
    n = X.shape[1]
    W = np.random.rand(m,n)
    D = np.random.rand(l,m)
    for i in range(niter):
        '''
        Update dictionary D
        '''
        tau_d = np.linalg.norm(W,2)**-2
        D = D - tau_d * np.matmul((np.matmul(D,W)-X),W.T)

        for j in range(1,m):
            D[:,j] = D[:,j] - (np.ones((l,1)).T*D[:,j])/l    

        for j in range(m):
            D[:,j] = D[:,j]/max(1,np.linalg.norm(D[:,j],2))

        '''
        Update coefficients W
        '''
        tau_w = np.linalg.norm(D,2)**-2
        W = W - tau_w * np.matmul(D.T,(np.matmul(D,W)-X))        
        for j in range(m):
            W[j,:] = np.multiply(np.maximum(np.zeros(W[j,:].shape[0]),np.absolute(W[j,:])-lamda),np.sign(W[j,:]))  
    return D,W

Обновления D и W неверны из 2-й строки для W и 2-го столбца для D, я верю

1 Ответ

0 голосов
/ 18 мая 2019 
import numpy as np

def palm(X,m,niter,lamda):
    X = X.T
    l = X.shape[0]
    n = X.shape[1]
    W = np.random.rand(m,n)
    D = np.random.rand(l,m)
    for i in range(niter):
        '''
        Update dictionary D
        '''
        tau_d = np.linalg.norm(W,2)**-2
        D = D - tau_d * np.matmul((np.matmul(D,W)-X),W.T)

        for j in range(1,m):
            D[:,j] = D[:,j] - (np.ones((l,1)).T*D[:,j])/l    

        for j in range(1,m):
            D[:,j] = D[:,j] - D[:,j]/max(1,np.linalg.norm(D[:,j],2))

        '''
        Update coefficients W
        '''
        tau_w = np.linalg.norm(D,2)**-2
        W = W - tau_w * np.matmul(D.T,(np.matmul(D,W)-X))        
        for j in range(1,m):
            W[j,:] = W[j,:] - np.multiply(np.maximum(np.zeros(W[j,:].shape[0]),np.absolute(W[j,:])-lamda),np.sign(W[j,:]))  
    return D,W
...