jax.scipy.sparse.linalg.bicgstab#
- jax.scipy.sparse.linalg.bicgstab(A, b, x0=None, *, tol=1e-05, atol=0.0, maxiter=None, M=None)[源代码]#
使用双共轭梯度稳定迭代来解
Ax = b。JAX 的
bicgstab的数值计算结果应该与 SciPy 的bicgstab完全匹配（在数值精度范围内），但请注意，接口略有不同：你需要将线性算子A作为函数提供，而不是稀疏矩阵或LinearOperator。与
cg一样，bicgstab的导数是通过隐式微分实现的，使用另一个bicgstab求解，而不是通过对求解器进行微分。只有当两个求解都收敛时，它们才是准确的。- 参数:
A (ndarray, 函数, 或 matmul兼容对象) – 2D 数组或函数，当像
A(x)或A @ x这样调用时，计算线性映射（矩阵-向量乘积）Ax。A可以表示任何通用（非对称）线性算子，函数必须返回与其参数具有相同结构和形状的数组。b (数组 或 数组树) – 线性系统的右侧，表示单个向量。可以存储为数组或具有任意形状的数组 Python 容器。
x0 (数组 或 数组树) – 解的起始猜测值。必须与
b具有相同的结构。tol (float, 可选) – 收敛的容差，
norm(residual) <= max(tol*norm(b), atol)。我们没有实现 SciPy 的“遗留”行为，因此除非你显式地将atol传递给 SciPy 的cg，否则 JAX 的容差将与 SciPy 不同。atol (float, 可选) – 收敛的容差，
norm(residual) <= max(tol*norm(b), atol)。我们没有实现 SciPy 的“遗留”行为，因此除非你显式地将atol传递给 SciPy 的cg，否则 JAX 的容差将与 SciPy 不同。maxiter (整数) – 最大迭代次数。即使未达到指定的容差，迭代也会在 maxiter 步后停止。
M (ndarray, 函数, 或 matmul兼容对象) – A 的预处理器。预处理器应近似 A 的逆。有效的预处理可以显著提高收敛速度，这意味着需要更少的迭代次数才能达到给定的误差容差。
- 返回值:
x (数组 或 数组树) – 收敛的解。与
b具有相同的结构。info (None) – 收敛信息的占位符。将来，当未实现收敛时，JAX 将报告迭代次数，就像 SciPy 一样。