Question

首先让我澄清一下这段代码的目的：

我需要找到一个矩阵W，它将乘以一个向量X. WX（乘法的结果）将乘以一个矩阵Y.最后一次乘法（YWX）的结果应尽可能与a相似。矢量Z。

因此，我有X，Y和Z，并且需要找到最大化相似性的矩阵W.据我所知，我的相似性功能完美无缺;问题出在choose_w里面的循环中。

现在让我引导您完成choose_w代码：

我创建了一个零（v x v）矩阵w（v是一个参数）。然后我为找到的最佳矩阵创建一个控件，称为best_w（最初等于零矩阵）。我创建了一个名为best_sim的变量，并将其设置为-1，因为这是两个向量可能具有的最低可能性。

然后我创建一个for循环，运行len（np.diag（w））次。也就是说，它运行的次数等于矩阵对角线的长度。

在循环中，我创建了一个名为cont的变量，并将其设置为True。当cont为True时，w的第i行和第i列中的项（即w的对角线中的项）将增加0.1。

我调用相似度函数来评估此更改的结果。如果新相似度（new_sim）大于当前best_sim，则best_w成为当前w，best_sim成为当前new_sim。

否则（如果更改没有产生更大的相似性），我将变量cont更改为False。 while循环应该停止。

import numpy as np
from scipy import spatial

def similarity(w, x, y, z):
    x = np.transpose(x)
    z = np.transpose(z)
    wx = np.dot(w,x)
    ywx = np.dot(y,wx)
    result = 1 - spatial.distance.cosine(z,ywx)
    return result

def choose_w(v,x,y,z):
    w = np.zeros((v,v))
    best_w = w
    best_sim = -1
    for i in range(0,len(np.diag(w))):
        cont = True
        while cont:
            w[i,i] += .1
            new_sim = similarity(w,x,y,z)
            if new_sim > best_sim:
                best_w = w
                best_sim = new_sim
                print new_sim, best_sim
            else:
                cont = False
    return best_w, best_sim

b = np.matrix([[1.0/3.0,1.0/3.0,1.0/3.0]],dtype=np.float)
c = np.matrix([[2,7,4],[0,1,5],[1,3,6]],dtype=np.float)
d = np.matrix([[1,1,1]],dtype=np.float)

choose_w(3,b,c,d)

为什么这个循环没有停止？

0 个答案: