Question

我有两个形状为(batch, dim)的向量，我试图将它们互相减去。目前，我正在使用一个简单的循环，从1中基于第二个矢量（即error）减去矢量（即label）中的特定条目：

per_ts_loss=0
for i, idx in enumerate(np.argmax(label, axis=1)):
    error[i, idx] -=1
    per_ts_loss += error[i, idx]

如何将其向量化？

例如，错误和标签如下所示：

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]])

对于此示例，运行下面的代码将产生以下结果：

for i, idx in enumerate(np.argmax(label,axis=1)):
    error[i,idx] -=1
    ls_loss += error[i,idx]

结果：

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

以下是代码本身：https://ideone.com/e1k8ra

我被困在如何使用np.argmax的结果上，因为结果是索引的新向量，并且不能像这样简单地使用它：

 error[:, np.argmax(label, axis=1)] -=1

所以我被困在这里！

Answer 1

替换：

error[:, np.argmax(label, axis=1)] -=1

具有：

error[np.arange(error.shape[0]), np.argmax(label, axis=1)] -=1

当然

loss = error[np.arange(error.shape[0]), np.argmax(label, axis=1)].sum()

在您的示例中，您正在更改和求和error[0,3]和error[1,1]，或者简称为error[[0,1],[3,1]]。

Answer 2

也许是这样：

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)

输出：

[[ 0.  0.  0. -1.  0.]
 [ 0. -1.  0.  0.  0.]]

如何在python中向量化此（numpy）操作？

2 个答案: