update

lib/optimization/loss_func.cpp

@@ -121,10 +121,13 @@ double gctl::loss_func::evaluate(const array<double> &x, array<double> &g)
 
 double gctl::loss_func::evaluate(double inp, int id)
 {
+    if (!init_) throw std::runtime_error("[gctl::loss_func] Not initialized.");
+
     double val = (inp - tars_[id])/us_[id];
 
     if (ntype_ == L1) val = fabs(val);
     if (ntype_ == L2) val = val*val;
+    if (ntype_ == Lp) val = pow(val*val + eps_*eps_, 0.5*p_);
 
     loss_ += val;
 
@@ -133,6 +136,8 @@ double gctl::loss_func::evaluate(double inp, int id)
 
 double gctl::loss_func::get_loss()
 {
+    if (!init_) throw std::runtime_error("[gctl::loss_func] Not initialized.");
+
     double l = loss_;
     loss_ = 0.0;
 
@@ -141,10 +146,13 @@ double gctl::loss_func::get_loss()
 
 double gctl::loss_func::gradient(double inp, int id)
 {
-    double val;
-    if (ntype_ == L1 && val >= 0) val = 1.0/(us_[id]*tnum_);
-    if (ntype_ == L1 && val < 0)  val = -1.0/(us_[id]*tnum_);
-    if (ntype_ == L2) val = 2.0*(inp - tars_[id])/(us_[id]*us_[id]*tnum_);
+    if (!init_) throw std::runtime_error("[gctl::loss_func] Not initialized.");
+
+    double val = (inp - tars_[id])/us_[id];
+    if (ntype_ == L1 && val >= 0) val = 1.0/tnum_;
+    if (ntype_ == L1 && val < 0)  val = -1.0/tnum_;
+    if (ntype_ == L2) val = 2.0*val/(us_[id]*tnum_);
+    if (ntype_ == Lp) val = p_*pow(val*val + eps_*eps_, 0.5*p_ - 1)*val/(us_[id]*tnum_);
 
     return val;
 }

lib/optimization/loss_func.h

@@ -33,21 +33,83 @@
 
 namespace gctl
 {
+    /**
+     * @brief 损失函数对象，可计算L1范数, L2范数平方，Lp范数定义的数据拟合差及相应的模型偏导数（按数据个数归一化）。
+     * 损失函数的定义为：Phi = Lp(d - d^tar)^2/num(d)
+     */
     class loss_func
     {
     public:
-        loss_func();
-        loss_func(const array<double> &tar, norm_type_e n_type, double p = 2.0, double eps = 1e-16);
-        virtual ~loss_func();
+        loss_func(); ///< 构造函数
 
+        /**
+         * @brief 构造函数
+         * 
+         * @param tar 数据拟合差目标
+         * @param n_type 拟合差函数范数类型
+         * @param p Lp范数的阶次
+         * @param eps Lp范数分母内的小值（防止分母变为奇异值）
+         */
+        loss_func(const array<double> &tar, norm_type_e n_type, double p = 2.0, double eps = 1e-16);
+        
+        virtual ~loss_func(); ///< 析构函数
+
+        /**
+         * @brief 初始化函数
+         * 
+         * @param tar 数据拟合差目标
+         * @param n_type 拟合差函数范数类型
+         * @param p Lp范数的阶次
+         * @param eps Lp范数分母内的小值（防止分母变为奇异值）
+         */
         void init(const array<double> &tar, norm_type_e n_type, double p = 2.0, double eps = 1e-16);
+        
+        /**
+         * @brief 设置目标数据的不确定度
+         * 
+         * @param uncer 不确定度
+         */
         void set_uncertainty(double uncer);
+        
+        /**
+         * @brief 设置目标数据的不确定度
+         * 
+         * @param uncer 不确定度数组，长度与目标数据一致
+         */
         void set_uncertainty(const array<double> &uncer);
 
+        /**
+         * @brief 计算单个输入模型数据的拟合差，同时将计算值累计至内部变量
+         * 
+         * @param inp 输入数据值
+         * @param id 输入数据的索引
+         * @return 单个数据拟合差值
+         */
         double evaluate(double inp, int id);
+        
+        /**
+         * @brief 计算输入模型的数据拟合差与模型梯度
+         * 
+         * @param x 输入模型，长度与目标数据相等
+         * @param g 数据拟合差相对于模型的梯度
+         * @return 数据拟合差值
+         */
         double evaluate(const array<double> &x, array<double> &g);
 
+        /**
+         * @brief 返回内置的数据拟合差函数值，然后将值重设为0
+         * 
+         * @return 累计的数据拟合差
+         */
         double get_loss();
+        
+        /**
+         * @brief 计算数据拟合差函数相对于单个输入模型数据的梯度
+         * 
+         * @param inp 输入数据值
+         * @param id 输入数据的索引
+         * @return 单个数据拟合差函数的梯度
+         */
         double gradient(double inp, int id);
 
     private: