使用scipy.optimize进行目标函数中的矩阵参数优化

在做机器学习最优化的时候，参数通常以矩阵形式存在，现网上在矩阵参数优化内容方面例子较少，遂写下这篇博文。
例如：
目标函数： T(θ)=12||Xθ−Y||2F
其中 X 为 m×n 特征矩阵， Y 为 m×l 标签矩阵， θ 为 n×l 参数矩阵。
以下为具体代码：

import numpy as np
import scipy.optimize as opt
import matplotlib.pyplot as plt

points = []


# 目标函数
def obj_fun(theta, x, y_):
    theta = theta.reshape(3, 3)
    pre_dis = np.dot(x, theta)
    loss = np.sum((pre_dis - y_)**2) / 2
    points.append(loss)
    return loss


# 偏导数
def prime(theta, x, y_):
    theta = theta.reshape(3, 3)
    pre_dis = np.dot(x, theta)
    gradient = np.dot(np.transpose(x), (pre_dis - y_))
    return np.ravel(gradient)   # 将二维矩阵展开成一维向量


if __name__ == "__main__":
    feature = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [1, 5, 9]])
    dis_ = np.array([[0.1, 0.3, 0.6], [0.2, 0.4, 0.4], [0.3, 0.2, 0.5], [0.1, 0.3, 0.6]])
    init_theta = np.ones([3, 3])
    # result = opt.fmin(obj_fun, init_theta, args=(feature, dis_))
    # result = opt.fmin_bfgs(obj_fun, init_theta, prime, args=(feature, dis_))
    result = opt.fmin_l_bfgs_b(obj_fun, init_theta, prime, args=(feature, dis_))
    print(result)
    # 注意使用fmin_l_bfgs_b算法时，优化得到的参数在result[0]中，其他算法即在result中
    m_theta = np.array(result[0]).reshape(3, 3)
    print(np.dot(feature, m_theta))
    print(obj_fun(m_theta, feature, dis_))

    plt.plot(np.arange(len(points)), points)
    plt.show()