jax.scipy.sparse.linalg.bicgstab#
- jax.scipy.sparse.linalg.bicgstab(A, b, x0=None, *, tol=1e-05, atol=0.0, maxiter=None, M=None)[source]#
使用双共轭梯度稳定迭代法求解
Ax = b。JAX 的
bicgstab的数值应该与 SciPy 的bicgstab完全匹配（直到数值精度），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的导数通过隐式微分和另一个bicgstab求解来实现，而不是通过微分穿过求解器。只有当两个求解都收敛时，它们才是准确的。- 参数:
A (ndarray, function, 或 matmul 兼容对象) – 2D 数组或函数，用于计算线性映射（矩阵-向量积）
Ax，当像A(x)或A @ x这样调用时。A可以表示任何一般（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 (array 或 tree 的 arrays) – 线性系统的右侧，表示单个向量。可以存储为数组或 Python 容器，包含任意形状的数组。
x0 (array 或 tree 的 arrays) – 解的起始猜测值。必须具有与
b相同的结构。tol (float, 可选) – 收敛容差，
norm(residual) <= max(tol*norm(b), atol)。我们不实现 SciPy 的“旧版”行为，因此除非您显式传递atol给 SciPy 的cg，否则 JAX 的容差将与 SciPy 不同。atol (float, 可选) – 收敛容差，
norm(residual) <= max(tol*norm(b), atol)。我们不实现 SciPy 的“旧版”行为，因此除非您显式传递atol给 SciPy 的cg，否则 JAX 的容差将与 SciPy 不同。maxiter (integer) – 最大迭代次数。即使未达到指定的容差，迭代也将在 maxiter 步后停止。
M (ndarray, function, 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，这意味着达到给定误差容差所需的迭代次数更少。
- 返回:
x (array 或 arrays 的 tree) – 收敛解。具有与
b相同的结构。info (None) – 收敛信息的占位符。将来，JAX 将报告未实现收敛时的迭代次数，如 SciPy。