Matlab梯度下降代码正常运行，Python循环段报错求排查

错误点分析 #

• 矩阵运算顺序与运算符错误：
  1. Matlab中A*xk - b是先做矩阵乘法再减b，Python代码错误写成np.matmul(A,xk - b)，颠倒了运算顺序，正确应为np.matmul(A, xk) - b。
  2. 计算梯度时误用*元素级乘法，而非矩阵乘法，需替换为np.matmul或@运算符。
• 列表赋值错误：gradErr是空列表，直接通过gradErr[k]索引赋值会触发IndexError，需用append()方法添加元素。
• 数组索引语法错误：Python中numpy数组索引用[]而非Matlab的()，比如x_old(1)应改为x_old[0,0]（取第一个元素）、x_old[1,0]（取第二个元素）。
• 浅拷贝问题：x_old = xk是引用赋值，修改xk时x_old会同步变化，需用x_old = xk.copy()做深拷贝。
• 绘图上下文问题：原代码未关联到之前的等高线画布，导致迭代路径无法叠加显示，需在同一个figure对象上绘制。

修正后的完整Python代码 #

等高线绘图（保留画布对象） #

import numpy as np
import matplotlib.pyplot as plt

# 生成网格数据
x1, x2 = np.meshgrid(np.arange(-30, 30.5, 0.5), np.arange(-30, 30.5, 0.5))
F = (x1 - 2) ** 2 + 2 * (x2 - 3) ** 2

# 绘制等高线并保留画布，开启交互模式
fig, ax = plt.subplots()
ax.contour(x1, x2, F, 20)
plt.ion()
plt.show()

矩阵与向量初始化 #

A = np.array([[1, 0], [0, 2]])
AT = np.transpose(A)
b = np.array([[4], [12]])
Nit = 100
tol = 1e-05
lr = 0.2
xk = np.array([[-10], [-10]])
noIterations = 1
gradErr = []

修正后的梯度下降循环 #

for k in range(Nit):
    x_old = xk.copy()  # 深拷贝保存当前迭代值
    # 修正矩阵运算逻辑，与Matlab保持一致
    gradient = np.matmul(AT, np.matmul(A, xk) - b)
    xk = xk - lr * gradient
    
    # 计算梯度误差并添加到列表
    current_err = np.linalg.norm(np.matmul(AT, np.matmul(A, xk) - b), 'fro')
    gradErr.append(current_err)
    
    if current_err < tol:
        break
    
    # 绘制迭代路径，正确使用numpy数组索引
    ax.plot([x_old[0, 0], xk[0, 0]], [x_old[1, 0], xk[1, 0]], 'ko-')
    plt.pause(0.1)  # 暂停观察路径绘制
    noIterations += 1

plt.ioff()
plt.show()

关键修正说明 #

1. 矩阵运算：调整运算顺序为np.matmul(A, xk) - b，确保和Matlab逻辑完全对齐，矩阵乘法统一使用np.matmul保证运算正确性。
2. 列表操作：用append()替代索引赋值，避免空列表索引错误。
3. 数组索引：针对形状为(2,1)的列向量，使用[行索引, 列索引]的方式取值，符合Python语法规范。
4. 深拷贝：通过copy()方法避免引用传递导致的x_old值被篡改。
5. 绘图优化：开启交互模式，在同一个等高线画布上叠加绘制迭代路径，实现动态展示效果。

内容的提问来源于stack exchange，提问作者Elfs