实操解析：Python scipy库中的newton_krylov函数使用指南

要查找其根的函数；应该接受并返回一个array-like 对象。

解决方案的初步猜测

用于数值微分的相对步长。

用于逼近雅可比行列式的 Krylov 方法。可以是字符串，也可以是实现与 scipy.sparse.linalg 中的迭代求解器相同接口的函数。

默认值为 scipy.sparse.linalg.lgmres 。

传递给“inner” Krylov 求解器的参数：最大迭代次数。即使没有达到指定的容差，迭代也会在 maxiter 步后停止。

内部 Krylov 迭代的预处理器。请注意，您也可以使用逆雅可比矩阵作为(自适应)预条件子。例如，

>>> from scipy.optimize.nonlin import BroydenFirst, KrylovJacobian
>>> from scipy.optimize.nonlin import InverseJacobian
>>> jac = BroydenFirst()
>>> kjac = KrylovJacobian(inner_M=InverseJacobian(jac))

如果预条件器有一个名为‘update’的方法，则在每个非线性步骤之后它将被称为update(x, f)，其中x给出当前点，f给出当前函数值。

LGMRES 非线性迭代中保持的子空间大小。有关详细信息，请参阅 scipy.sparse.linalg.lgmres 。

“inner” Krylov 求解器的关键字参数(定义为方法)。参数名称必须以inner_在传递内部方法之前将被剥离的前缀。参见，例如，scipy.sparse.linalg.gmres详情。

要进行的迭代次数。如果省略(默认)，则根据需要制作尽可能多的数量以满足公差。

在每次迭代时将状态打印到标准输出。

要进行的最大迭代次数。如果需要更多来满足收敛，则提出NoConvergence。

残差的绝对容差(在max-norm 中)。如果省略，默认为 6e-6。

残差的相对容差。如果省略，则不使用。

绝对最小步长，由雅可比近似确定。如果步长小于此值，则优化成功终止。如果省略，则不使用。

相对最小步长。如果省略，则不使用。

用于收敛检查的范数。默认是最大规范。

使用哪种类型的线搜索来确定雅可比近似给定方向上的步长。默认为‘armijo’。

可选的回调函数。它在每次迭代中被调用为callback(x, f)其中x是当前的解决方案，并且f对应的残差。