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][源代码]#

使用双共轭梯度稳定迭代法来求解 Ax = b。

JAX 的 bicgstab 的数值应与 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 类似，bicgstab 的导数是通过另一个 bicgstab 求解的隐式微分实现的，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, function, or matmul-compatible object) – 二维数组或函数，用于计算线性映射（矩阵-向量乘积）``Ax``，当以 A(x) 或 A @ x 的形式调用时。A 可以表示任何一般的（非对称的）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 or tree of arrays) – 线性系统表示的单个向量的右侧。可以存储为具有任意形状的数组或Python容器的数组。
x0 (array or tree of arrays) – 解决方案的初始猜测。必须与 b 具有相同的结构。
tol (float, optional) – 收敛容差，norm(residual) <= max(tol*norm(b), atol)。我们没有实现 SciPy 的“遗留”行为，因此除非你显式地向 SciPy 的 cg 传递 atol，否则 JAX 的容差将与 SciPy 不同。
atol (float, optional) – 收敛容差，norm(residual) <= max(tol*norm(b), atol)。我们没有实现 SciPy 的“遗留”行为，因此除非你显式地向 SciPy 的 cg 传递 atol，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, or matmul-compatible object) – A 的预处理器。预处理器应近似 A 的逆。有效的预处理显著提高了收敛速度，这意味着达到给定误差容限所需的迭代次数更少。

返回:

参见