简单使用scipy.optimize，训练逻辑回归损失函数，得到权值。
该scipy.optimize包提供几种常用的优化算法。可以使用详细列表： scipy.optimize（也可以通过help（scipy.optimize）找到）。
该模块包含：
1、使用多种算法（例如BFGS，Nelder-Mead单形，牛顿共轭梯度，COBYLA或SLSQP）对多元标量函数进行无约束和无约束的最小化（最小化）
2、全局（强力）优化例程（例如，盆地跳动，differential_evolution）
3、最小二乘最小化（least_squares）和曲线拟合（curve_fit）算法
4、标量单变量函数最小化器（minimum_scalar）和根查找器（牛顿）
5、使用多种算法（例如，混合鲍威尔，莱文贝格-马夸特或大型方法，例如牛顿-克里洛夫）的多元方程组求解器（root）。
1、函数介绍
import numpy as np from scipy.optimize import minimize
函数入参：
scipy.optimize.minimize( fun, #可调用的目标函数。 x0, #ndarray,初值。（n,） args=(), #额外的参数传递给目标函数及其导数 method=None, #类型的解算器。应该是其中之一: #‘Nelder-Mead'、‘Powell' #‘CG'、‘BFGS' #‘Newton-CG'、‘L-BFGS-B' #‘TNC'、‘COBYLA' #‘SLSQP'、‘dogleg' #‘trust-ncg' jac=None, #目标函数的雅可比矩阵(梯度向量)。 #仅适用于CG, BFGS, Newton-CG, #L-BFGS-B, TNC, SLSQP, dogleg， #trust-ncg。如果jac是一个布尔值， #且为True，则假定fun将随目标函数返回 #梯度。如果为False，则用数值方法估计梯 #度。Jac也可以是返回目标梯度的可调用对 #象。在这种情况下，它必须接受与乐趣相同 #的论点。 hess=None, hessp=None,#目标函数的Hessian(二阶导数矩阵)或 #目标函数的Hessian乘以任意向量p。 #仅适用于Newton-CG, dogleg, #trust-ncg。只需要给出一个hessp或 #hess。如果提供了hess，则将忽略 #hessp。如果不提供hess和hessp，则用 #jac上的有限差分来近似Hessian积。 #hessp必须计算Hessian乘以任意向量。 bounds=None, #变量的边界(仅适用于L-BFGS-B, #TNC和SLSQP)。(min, max) #对x中的每个元素，定义该参数的 #边界。当在min或max方向上没有边界 #时，使用None表示其中之一。 constraints=(), #约束定义 #(仅适用于COBYLA和SLSQP) tol=None, #终止的边界。 callback=None, options=None)
返回值: res : OptimizeResult
#以OptimizeResult对象表示的优化结果。重要的属性有:x是解决方案数组， #success是一个布尔标志，指示优化器是否成功退出，以及描述终止原因的消息。
首先看一看这个函数的形式
scipy.optimize.fmin_cg(f, x0, fprime=None, args=(), gtol=1e-05, norm=inf, epsilon=1.4901161193847656e-08, maxiter=None, full_output=0, disp=1, retall=0, callback=None)
f： 可调用，f(x, *args)要最小化的目标函数。这里 x 必须是在搜索最小值时要更改的变量的一维数组，而 args 是 f 的其他(固定)参数。
x0： ndarray用户提供的 xopt 初始估计值，即 x 的最优值。它必须是一维值数组。
fprime： 可调用，fprime(x, *args)，可选返回 f 在 x 处的梯度的函数。这里 x 和 args 与上面对 f 的说明相同。返回的值必须是一维数组。默认为 None，在这种情况下，梯度是数值近似的(参见下面的 epsilon)。
args： 元组，可选传递给的参数值f和fprime.当需要额外的固定参数来完全指定函数时，必须提供f和fprime.
gtol：浮点数，可选当梯度的范数小于 gtol 时停止。
norm： 浮点数，可选用于梯度范数的顺序(-np.Inf 是最小值，np.Inf 是最大值)。
epsilon： float 或 ndarray，可选何时使用的步长fprime是数值近似的。可以是标量或一维数组。默认为sqrt(eps), 用 eps 表示浮点机器精度。通常sqrt(eps)约为 1.5e-8。
maxiter： int 可选要执行的最大迭代次数。默认为 200 * len(x0) 。
full_output： 布尔型，可选如果为 True，除了 xopt 之外，还返回 fopt、func_calls、grad_calls 和 warnflag。有关可选返回值的更多信息，请参阅下面的返回部分。
disp： 布尔型，可选如果为 True，则返回收敛消息，然后是 xopt。
retall： 布尔型，可选如果为 True，则将每次迭代的结果添加到返回值中。
callback： 可调用的，可选的一个可选的用户提供的函数，在每次迭代后调用。称为callback(xk)，其中xk是的当前值x0.
下面是返回值
xopt： ndarray最小化 f 的参数，即 f(xopt) == fopt 。
fopt： 浮点数，可选找到最小值，f(xopt)。仅在 full_output 为 True 时返回。
func_calls： int 可选function_calls 的数量。仅在 full_output 为 True 时返回。
grad_calls： int 可选进行的梯度调用次数。仅在 full_output 为 True 时返回。
warnflag： int 可选带有警告状态的整数值，仅在 full_output 为 True 时返回。
allvecs： ndarray 列表，可选数组列表，包含每次迭代的结果。只有当retall 为True 时才返回。
下面是一个实际运行的实例
from scipy import optimize
args = (2, 3, 7, 8, 9, 10)
def f(x,*args): # args是该函数需要用到的其他值
u,v=x
a,b,c,d,e,f=args
return a*u**2 + b*u*v + c*v**2 + d*u + e*v + f
def gradf(x,*args):
u,v=x
a, b, c, d, e, f = args
gu=2*a*u+b*v+d
gv=b*u+2*c*v+e
return np.asarray((gu,gv))
x0 = np.asarray((0, 0)) # 迭代的初始点
res = optimize.fmin_cg(f, x0, fprime=gradf, args=args,full_output=True)
# 直接运行的话就会出现下面的东西
'''
Optimization terminated successfully.
Current function value: 1.617021
Iterations: 4
Function evaluations: 8
Gradient evaluations: 8
'''
# print(res) # [-1.80851064 -0.25531915] # 这是没有添加full_output=True的时候
# print(type(res)) # <class 'numpy.ndarray'>
# 添加过之后full_output=True
print(res) # (array([-1.80851064, -0.25531915]), 1.6170212765957448, 8, 8, 0)
print(type(res)) # <class 'tuple'>
# 第一个是代表最小化后的自变量的参数
# 第二个是函数的最小值
# 第三个是函数调用的次数
# 第四个是梯度调用的次数
# 第五个是带有警告状态的整数值，返回0表示成功
以上为个人经验，希望能给大家一个参考，也希望大家多多支持。
