使用scipy.optimize.fmin优化变换矩阵时遇维度不匹配错误

问题原因 #

scipy.optimize.fmin会自动将多维参数数组扁平化，你的4x4猜测矩阵会被转换成1x16的一维数组，直接用这个数组和inputArray做矩阵乘法时，就会出现维度不匹配的错误。

修正步骤 #

1. 在目标函数内部，先将扁平化的guess重新reshape为4x4矩阵
2. 用numpy向量化操作替代手动循环计算误差，提升效率

修正后的代码 #

import numpy as np
from scipy import optimize

rows, cols = 4, 4

guess = np.array([
    [1, -1, 2, 0], 
    [0,  2, 0, 0], 
    [1,  0, 0, 1], 
    [0,  1, 2, 0]
])

inputArray = np.array([
    [2, 4, 6, 9], 
    [2, 3, 1, 0], 
    [7, 2, 6, 4], 
    [1, 5, 2, 1]
])

goalArray = np.array([
    [14, 5, 17, 17], 
    [4,  6, 2,   0], 
    [3,  9, 8,  10], 
    [16, 7, 13,  8]
])

def objfunc(guess_flat, inputArray, goalArray):
    # 将扁平化的猜测值重新转为4x4矩阵
    guess = guess_flat.reshape((rows, cols))
    # 计算变换后的矩阵
    model = guess @ inputArray
    # 计算所有元素的绝对误差之和（等价于原代码的平方根和，平方开根号即绝对值）
    error = np.sum(np.abs(goalArray - model))
    return error

# 验证目标函数正确性
print(objfunc(guess.flatten(), inputArray, goalArray))  # 输出0.0
# 传入扁平化的初始猜测进行优化
minimum = optimize.fmin(objfunc, guess.flatten(), args=(inputArray, goalArray))

# 将优化结果转回4x4矩阵
optimized_matrix = minimum.reshape((rows, cols))
print("优化后的变换矩阵：")
print(optimized_matrix)
print("最小误差：", objfunc(minimum, inputArray, goalArray))

关键说明 #

• 调用fmin时传入guess.flatten()，确保和函数内部的维度处理逻辑对应
• 用numpy内置函数替代手动循环，代码更简洁且运行效率更高
• 优化完成后，需将扁平化的结果reshape回4x4矩阵，得到最终的变换矩阵

内容的提问来源于stack exchange，提问作者Reese Dawn