Nano Hash - криптовалюты, майнинг, программирование

Разница между fsurf и ezsurf — отчет об ошибке MATLAB

У меня проблема с командой fsurf:

Когда я использую

fsurf(@(x,y) ackleyfcn([x,y]),[-32 32 -32 32])

Я получил это предупреждение:

Предупреждение. Функция неожиданно ведет себя на входных данных массива. Чтобы повысить производительность, правильно векторизуйте свою функцию, чтобы возвращать выходные данные того же размера и формы, что и входные аргументы.

И эта картинка (спустя долгое время, около 20 сек):

сюжет fsurf

Когда я использую

ezsurf(@(x,y) ackleyfcn([x,y]),[-32 32 -32 32])

Я не получил предупреждения и правильную (и быструю) картинку:

сюжет ezsurf

Где:

function z = ackleyfcn(xx)

% Ackley's function

% Search domain: [-32,32]
% Global minimum: f(x) = 0 | x = (0,...,0)

d = size(xx, 2);
xx = max(-32,min(32,xx));

z = -20*exp(-0.2*sqrt(1/d*sum(xx.^2,2))) - exp(1/d*sum(cos(2*pi*xx),2)) + 20 + exp(1);

end

Я думаю, что эта функция Экли правильно векторизована. Я прав?

В чем ошибка fsurf и почему изображение, сгенерированное им, выглядит странно и создается дольше?

Заранее спасибо!

Ps. Я использую версию R2017b.

matlab plot vectorization
02.03.2018

Ответы:


1

Из документации:

Функция должна принимать два матричных входных аргумента и возвращать матричный выходной аргумент того же размера.

Вы предположили, что входные данные являются векторами-столбцами.

Чтобы исправить это, вы можете попробовать

function z = ackleyfcn(x,y)
xx = [x(:),y(:)];
% ... your code here
z = reshape(z,size(x));

и

fsurf(@ackleyfcn,[-32 32 -32 32])
02.03.2018
  • Спасибо за ответ @CrisLuengo, теперь предупреждение больше не отображается. Но для отображения сюжета требуется больше времени, и результирующее изображение такое же, как до... 04.03.2018
  • В документации для параметра MeshDensity указано количество точек оценки на направление, указанное в виде числа. Значение по умолчанию — 35. Поскольку объекты fsurf используют адаптивную оценку, фактическое количество точек оценки больше. Я думаю, что fsurf делает больше работы, чем ezsurf. 04.03.2018

    • 2

    Ответ службы поддержки MathWorks:

    Мне удалось воспроизвести замедление, с которым вы столкнулись. Функция fsurf пытается определить, какую плотность точек использовать, чтобы дать точное описание функции, которую вы ей передаете. Поскольку ackleyfcn имеет много мелких колебаний, fsurf решает использовать очень плотную сетку для ее отображения. Эта функция недоступна в ezsurf, поэтому графики выглядят так по-разному.

    Время, которое занимает fsurf, также намного больше, потому что если он отображает гораздо больше точек. Если вы хотите использовать fsurf для создания графика, аналогичного ezplot, вы можете отключить параметр AdaptiveMeshDenstity с помощью следующей строки кода:

    set(fsurf(@(x,y) ackleyfcn([x,y]),[-32 32 -32 32]),'AdaptiveMeshDensity',0,'MeshDensity',60)

    Обратите внимание, что это повысит скорость fsurf и создаст график, аналогичный графику ezsurf. Однако эта новая поверхность использует меньше точек и поэтому не полностью представляет функцию ackleyfcn.

    05.03.2018
    Новые материалы
    Кластеризация: более глубокий взгляд
    Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..
    Как написать эффективное резюме
    Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..
    Частный метод Python: улучшение инкапсуляции и безопасности
    Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..
    Как я автоматизирую тестирование с помощью Jest
    Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..
    Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
    Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..
    Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
    В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..
    Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
    В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..
    © 2024 nano-hash.ru, Nano Hash - криптовалюты, майнинг, программирование