我尝试将SciPyoptimize模块中的minimize应用于我自己的成本函数：
result = minimize(cost_function, initial_params, args = (TEXT_IMG, BINARY_MASK), method = 'BFGS')我需要第一个参数是一个奇数，比如31：
initial_params = np.array([31, 2, -7])但是minimize开始在31周围迭代，只使用浮点数，我的代价函数崩溃了;是否有可能实现边界和约束，以便minimize保持提供数字，如31，29，33等？
我已经读到我可能需要使用differential_evolution而不是minimize，但只是为了确保。
编辑：
这是成本函数：
def abs_diff(mask1, mask2):
diff = np.abs(mask1 - mask2)
mean_diff = np.mean(diff)
return mean_diff
def cost_function(params, text_img, binary_mask):
blockSize, C, h = params
hColor = -3
templateWSize = 5
searchWSize = 5
denoised = cv2.fastNlMeansDenoisingColored(text_img, h, hColor, templateWSize, searchWSize)
gray_denoised = cv2.cvtColor(denoised, cv2.COLOR_BGR2GRAY)
imgf = cv2.adaptiveThreshold(gray_denoised, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, blockSize, C)
error = abs_diff(binary_mask * 255, imgf)
return error
1条答案
按热度按时间oxf4rvwz1#
像BFGS这样的方法不太适合离散值参数。
实用的解决方案是对所有16个
blockSize值进行优化，并选择最佳结果。或者，您可以在使用之前通过缩放和舍入
blockSize来“欺骗”，以使初始发行版具有良好的覆盖率。如果你有更多的离散参数（尤其是布尔型参数），那么另一种选择是将这个问题视为超参数优化。要么对这些参数进行随机搜索，要么使用类似ray tune的东西，这基本上是一个并行的随机搜索，当它开始看起来很糟糕时，它也支持在内部“训练循环”上提前停止。（内部循环将使用比随机搜索更强的算法来优化剩余的连续参数。
另一种替代方法是CEM（交叉熵方法），它允许混合离散和连续分布。但是对于实值参数，它可能会收敛到比BFGS更差的解。遗传算法也可以工作，但是考虑到你使用的是scipy.optimize，它可能会涉及太多的设置和手工制作。