Question

背景
我已经完成了机器学习和神经网络的课程，在我遇到问题的下面，我们需要计算成本函数。有两种方法可以通过np.dot应用np.multiply和np.sum OR来实现。我在这个例子中分别称这些cost1和cost2。它们产生相同的结果。

问题：
我的问题是该函数（已经为我完成）断言使用isinstance（）成本是浮点数。第一种方法产生一个通过该测试的值，而第二种方法则没有。但是，当我打印两个值及其关联的dtypes时，它们看起来都是浮点数，尽管cost2具有更高的精度。为什么cost2无法通过断言测试？

守则：

def compute_cost(A2, Y, parameters):
    """ 
    Computes the cross-entropy cost given in equation (13)

    Arguments:
    A2 -- The sigmoid output of the second activation, of shape (1, number of examples)
    Y -- "true" labels vector of shape (1, number of examples)
    parameters -- python dictionary containing your parameters W1, b1, W2 and b2

    Returns:
    cost -- cross-entropy cost given equation (13)
    """

    m = Y.shape[1] # number of example

    # Compute the cross-entropy cost
    ### START CODE HERE ### (≈ 2 lines of code)
    logprobs = np.multiply(np.log(A2), Y)
    cost1 = -np.sum(logprobs)
    cost2 = -np.dot(np.log(A2), Y.T)
    ### END CODE HERE ###

    cost1 = np.squeeze(cost1)     # makes sure cost is the dimension we expect. 
    cost2 = np.squeeze(cost2)     # E.g., turns [[17]] into 17 


    # Troubleshooting
    print(cost1.dtype,cost2.dtype)
    print(cost1,cost2)

    assert(isinstance(cost1, float))
    assert(isinstance(cost2, float))

    return cost1


A2, Y_assess, parameters = compute_cost_test_case()
print("cost = " + str(compute_cost(A2, Y_assess, parameters)))

输出：

float64 float64
0.692685886972 0.6926858869721941
---------------------------------------------------------------------------
AssertionError                            Traceback (most recent call last)
<ipython-input-84-92a25de13cb3> in <module>()
  1 A2, Y_assess, parameters = compute_cost_test_case()
  2 
----> 3 print("cost = " + str(compute_cost(A2, Y_assess, parameters)))

<ipython-input-83-411aa6cb57b7> in compute_cost(A2, Y, parameters)
 30 
 31     assert(isinstance(cost1, float))
---> 32     assert(isinstance(cost2, float))
 33 
 34     return cost1

AssertionError:

Answer 1

好的，让我从头开始。

首先，它与您提出的问题无关，而是针对科学秘书处的。 np.dot()并不总是等于np.sum and np.multiply，理论上它们是相等的，但是就成本函数计算而言，它们与np.dot的计算并不相同矩阵与向量会有所不同，更不用说由于尺寸不匹配会给您带来错误。为了安全起见，请先使用相乘，然后再使用求和函数，然后可以查看此帖子以获取有关此问题的更多信息。 Python implementation of the cost function in logistic regression: why dot multiplication in one expression but element-wise multiplication in another

第二，这是您的原始问题，要解决此问题，您应打印有关cost1和cost2的所有信息。
例如，在使用keepdims = True计算成本方程后，您会发现cost.shape = ()，cost.dtype = float64和type(cost) = numpy.ndarray为scalar，而为您的问题在这里。
函数squeeze可以成功地缩小尺寸，例如[[.364]]将是.364。但是，.364的类型为numpy.ndarray。

因此，要从scalar转换为float，只需执行此操作

解决方案：

cost = np.asscalar(cost)    # make sure to convert scalar with shape () to normal float

因此，您的断言肯定可以正常工作。

您可以检查这个问题How to convert singleton array to a scalar value in Python?，也可以检查这个问题What is a ndarray of shape () returned after np.squeeze from shape (1,1)?

Python isinstance（）浮动失败断言测试

1 个答案: