具有完整向量的 Numpy 数组索引答案

【问题标题】：Numpy array indexing with complete vector具有完整向量的 Numpy 数组索引
【发布时间】：2021-11-26 13:07:53
【问题描述】：

以下代码有什么作用？ (grad[range(m),y] -= 1)

def delta_cross_entropy(X,y):
    """
    X is the output from fully connected layer (num_examples x num_classes)
    y is labels (num_examples x 1)
        Note that y is not one-hot encoded vector. 
        It can be computed as y.argmax(axis=1) from one-hot encoded vectors of labels if required.
    """
    m = y.shape[0]
    grad = softmax(X)
# What does this do? Does it subtract y from grad? (As that is what is supposed to happen)
    grad[range(m),y] -= 1
    grad = grad/m
    return grad

编辑：这不是关于切片如何从原地更新它们的数组，因为y 不是grad 的切片，这个问题是关于 NumPy 的语法。

【问题讨论】：

这能回答你的问题吗？ - vs -= operators with numpy
随意编辑标题，或告诉我正确的搜索词是什么，因为我不确定我的标题是否完全符合要求
@alex 有点像，但我还是不明白它的作用...... sry
它从grad 的元素子集中减去 1。索引决定了哪个。

标签： python arrays numpy softmax cross-entropy

【解决方案1】：

grad[range(m),y] -= 1 # It is the same as subtracting X[i,j] when j==y[i].

【讨论】：

我刚刚意识到，X 是一个矩阵，在我的例子中，x 始终只是一个向量。如果有错误请纠正我，但这是否意味着在grad 中，每列都会减去y？
是的，正如你所说。