我有兩個 shape 向量，(batch, dim)我試圖將它們相減。目前，我正在使用一個簡單的循環(huán)從 1 中減去error基于第二個向量（即label）的向量（即）中的特定條目：per_ts_loss=0for i, idx in enumerate(np.argmax(label, axis=1)): error[i, idx] -=1 per_ts_loss += error[i, idx]我怎樣才能矢量化這個？例如，錯誤和標簽可能如下所示：error :array([[ 0.5488135 0.71518937 0.60276338 0.54488318 0.4236548 ] [ 0.64589411 0.43758721 0.891773 0.96366276 0.38344152]])label: array([[0, 0, 0, 1, 0 ], [0, 1, 0, 0, 0]])對于此示例，運行以下代碼會產(chǎn)生以下結果：for i, idx in enumerate(np.argmax(label,axis=1)): error[i,idx] -=1 ls_loss += error[i,idx]結果 ：error: [[ 0.5488135 0.71518937 0.60276338 0.54488318 0.4236548 ] [ 0.64589411 0.43758721 0.891773 0.96366276 0.38344152]]label: [[ 0. 0. 0. 1. 0.] [ 0. 1. 0. 0. 0.]]error(indexes 3 and 1 are changed): [[ 0.5488135 0.71518937 0.60276338 -0.45511682 0.4236548 ] [ 0.64589411 -0.56241279 0.891773 0.96366276 0.38344152]]per_ts_loss: -1.01752960574這是代碼本身：https : //ideone.com/e1k8ra我被困在如何使用 的結果上np.argmax，因為結果是一個新的索引向量，它不能簡單地像這樣使用： error[:, np.argmax(label, axis=1)] -=1所以我被困在這里了！
2 回答
慕婉清6462132
TA貢獻1804條經(jīng)驗 獲得超2個贊
代替：
error[:, np.argmax(label, axis=1)] -=1
和：
error[np.arange(error.shape[0]), np.argmax(label, axis=1)] -=1
而且當然
loss = error[np.arange(error.shape[0]), np.argmax(label, axis=1)].sum()
在您的示例中，您正在更改、求和、error[0,3]和error[1,1]，或簡而言之error[[0,1],[3,1]]。
慕雪6442864
TA貢獻1812條經(jīng)驗 獲得超5個贊
也許這個：
import numpy as np
error = np.array([[0.32783139, 0.29204386, 0.0572163 , 0.96162543, 0.8343454 ],
[0.67308787, 0.27715222, 0.11738748, 0.091061 , 0.51806117]])
label= np.array([[0, 0, 0, 1, 0 ],
[0, 1, 0, 0, 0]])
def f(error, label):
per_ts_loss=0
t=np.zeros(error.shape)
argma=np.argmax(label, axis=1)
t[[i for i in range(error.shape[0])],argma]=-1
print(t)
error+=t
per_ts_loss += error[[i for i in range(error.shape[0])],argma]
f(error, label)
輸出：
[[ 0. 0. 0. -1. 0.]
[ 0. -1. 0. 0. 0.]]
添加回答
舉報
0/150
提交
取消