PyKAN项目中1D输入符号回归问题的解决方案
2025-05-14 14:27:37作者:俞予舒Fleming
问题背景
在使用PyKAN项目进行符号回归时,研究人员经常需要处理一维输入数据的拟合问题。一个典型场景是拟合类似阿伦尼乌斯方程的复杂单变量公式:y = Ax^nexp(-E/R/x)。然而,当尝试使用KAN(可解释人工神经网络)模型处理这类1D输入时,可能会遇到PyTorch后端库的运行时错误。
错误现象
当配置模型为1D输入、1D输出和5个隐藏神经元时,训练过程中会出现以下关键错误信息:
RuntimeError: false INTERNAL ASSERT FAILED at "..\\aten\\src\\ATen\\native\\BatchLinearAlgebra.cpp":1538
torch.linalg.lstsq: (Batch element 0): Argument 6 has illegal value
同时伴随有Intel MKL库关于SGELSY函数参数6不正确的错误提示。
错误原因分析
经过深入研究,发现该问题主要由以下几个因素导致:
-
数据条件数问题:当输入数据范围较大(如250-1250)而输出值变化剧烈时,会导致数值计算不稳定。
-
矩阵奇异问题:在样条曲线拟合过程中,当使用torch.linalg.lstsq求解线性方程组时,设计矩阵可能接近奇异。
-
参数配置不当:初始网格点(grid=5)和样条阶数(k=3)的组合可能不适合特定数据分布。
解决方案
针对这一问题,可以采用以下几种解决方法:
-
数据标准化:对输入数据进行归一化处理,将其缩放到0-1或-1-1范围内,可以提高数值稳定性。
-
调整模型参数:
- 增加网格点数量(grid=10或更高)
- 降低样条阶数(k=2)
- 减小正则化系数(lamb=0.001)
-
使用更稳定的求解器:尝试不同的线性求解器参数,如修改driver参数。
-
分阶段训练:先使用较小学习率训练,再逐步增加复杂度。
实施示例
以下是修正后的代码实现:
from kan import *
import numpy as np
# 数据预处理
x = np.linspace(250, 1250, 1000)
x_normalized = (x - x.min()) / (x.max() - x.min()) # 归一化到0-1范围
# 创建KAN模型,调整参数
model = KAN(width=[1,5,1], grid=10, k=2, seed=0, device='cpu')
# 定义目标函数
A = 3.55e15
n = -0.41
E = 16.6
R = 8.314
f = lambda x: torch.exp(-E/R/x)*A*x**n
# 创建数据集
dataset = create_dataset(f, n_var=1)
# 分阶段训练
model.train(dataset, opt="LBFGS", steps=10, lamb=0.001, lamb_entropy=1.)
model.train(dataset, opt="LBFGS", steps=10, lamb=0.01, lamb_entropy=10.)
# 模型修剪和可视化
model = model.prune()
model.plot()
最佳实践建议
-
对于指数类函数,建议先对输出值取对数,转换为线性问题处理。
-
在训练前进行数据探索,了解数据分布特征。
-
采用学习率预热策略,逐步增加模型复杂度。
-
监控训练过程中的损失变化,及时发现数值不稳定问题。
-
对于物理公式拟合,考虑将已知的常数部分作为先验知识融入模型。
通过以上方法,可以有效解决PyKAN在处理1D输入符号回归问题时遇到的数值计算问题,使模型能够稳定收敛并得到合理的拟合结果。
登录后查看全文
热门项目推荐
相关项目推荐
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0265cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile06
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 K

deepin linux kernel
C
22
6

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

React Native鸿蒙化仓库
C++
192
273

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
923
551

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
421
392

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
74
64

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K

Elasticsearch
国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8