jax.scipy.sparse.linalg.bicgstab

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法求解 Ax = b。

JAX 的 bicgstab 的数值结果应该与 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：您需要将线性算子 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和另一个 bicgstab 求解来实现的，而不是通过对求解器进行微分来实现的。只有当两个求解都收敛时，它们才是准确的。

参数:

A (ndarray, 函数, 或与matmul兼容的对象) – 2D 数组或函数，用于计算线性映射（矩阵-向量积）Ax，调用方式为 A(x) 或 A @ x。A 可以表示任何一般的（非对称）线性算子，并且函数必须返回与其参数具有相同结构和形状的数组。
b (数组或数组的树结构) – 线性系统的右侧，表示单个向量。可以存储为数组或任何形状的数组的 Python 容器。
x0 (数组或数组的树结构) – 解的起始猜测。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)。我们不实现 SciPy 的“旧版”行为，因此 JAX 的容差将与 SciPy 不同，除非您显式地将 atol 传递给 SciPy 的 cg。
atol (float, 可选) – 收敛的容差，norm(residual) <= max(tol*norm(b), atol)。我们不实现 SciPy 的“旧版”行为，因此 JAX 的容差将与 SciPy 不同，除非您显式地将 atol 传递给 SciPy 的 cg。
maxiter (integer) – 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, 或与matmul兼容的对象) – A 的预处理器。预处理器应该近似 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:

参见