数组切片的累积和：两种方法答案

【问题标题】：Cumulative sum over slices of array: Two approaches数组切片的累积和：两种方法
【发布时间】：2019-08-13 22:15:23
【问题描述】：

我很难理解为什么以下两个代码示例会产生不同的结果：

代码 1：

for h in range(n_H):                       
    for w in range(n_W):               

        # Find indices
        vert_start = h * stride                  # Starting row-index for current slice 
        vert_end = vert_start + f                # Final row-index (+1) for current slice
        horiz_start = w * stride                 # Starting column-index for current slice 
        horiz_end = horiz_start + f              # Final column-index (+1) for current slice

        for c in range(n_C):
            Aux = (W[:, :, :, c] * Z[:, h, w, c, np.newaxis, np.newaxis, np.newaxis])
            A[:, vert_start:vert_end, horiz_start:horiz_end, :] += Aux

代码 2：

for h in range(n_H):                       
    for w in range(n_W):               

        # Find indices
        vert_start = h * stride                  # Starting row-index for current slice 
        vert_end = vert_start + f                # Final row-index (+1) for current slice
        horiz_start = w * stride                 # Starting column-index for current slice 
        horiz_end = horiz_start + f              # Final column-index (+1) for current slice

        Aux = np.zeros((m, f, f, n_CP))
        for c in range(n_C):
            Aux += (W[:, :, :, c] * Z[:, h, w, c, np.newaxis, np.newaxis, np.newaxis])
        A[:, vert_start:vert_end, horiz_start:horiz_end, :] += Aux

在这两种情况下

n_H、n_W、n_C、n_HP、n_WP、n_CP、m、stride 和 f 是标量
W 是一个形状数组 (f, f, n_CP, n_C)
Z 是一个形状为 (m, n_H, n_W, n_C) 的数组
A 是一个形状为 (m, n_HP, n_WP, n_CP) 的数组

我注意到，当“索引范围”（vert_start:vert_end 和 horiz_start:horiz_end）是标量时，这两种方法会产生相同的结果，即 f=1。但是，我无法弄清楚为什么它也不适用于范围。

您可以在下面找到一个示例，该示例的代码示例会产生不同的输出：

np.random.seed(1)
m = 2
f = 2
stride = 1
n_C = 3
n_CP = 1
n_H = 2
n_W = 2
n_HP = 3
n_WP = 3

W = np.random.randn(f, f, n_CP, n_C)
Z = np.random.rand(m, n_H, n_W, n_C)
A = np.zeros((m, n_HP, n_WP, n_CP))
A2 = np.zeros((m, n_HP, n_WP, n_CP))

for h in range(n_H):                     
    for w in range(n_W):               

        # Find indices
        vert_start = h * stride                  # Starting row-index for current slice 
        vert_end = vert_start + f                # Final row-index (+1) for current slice
        horiz_start = w * stride                 # Starting column-index for current slice 
        horiz_end = horiz_start + f              # Final column-index (+1) for current slice

        for c in range(n_C):
            Aux = (W[:, :, :, c] * Z[:, h, w, c, np.newaxis, np.newaxis, np.newaxis])
            A[:, vert_start:vert_end, horiz_start:horiz_end, :] += Aux

        Aux = np.zeros((m, f, f, n_CP))
        for c in range(n_C):
            Aux += (W[:, :, :, c] * Z[:, h, w, c, np.newaxis, np.newaxis, np.newaxis])
        A2[:, vert_start:vert_end, horiz_start:horiz_end, :] += Aux

print(A == A2)

【问题讨论】：

我建议 unsar 函数 print() 以了解代码中发生的情况或逐步执行它。能举例说明错误发生时inputs()的值吗？
我已经编辑了我的问题并添加了一个参数值示例，这两种方法提供了不同的结果。

标签： python indexing nested-loops cumulative-sum

【解决方案1】：

虽然打印 A 和 A2 时似乎没有区别，但这只是由于 Python 显示结果的方式。输出 (A - A2) 表明在标记为“False”的位置确实存在小的差异。然而，差异在于维度 e-16。所以它只是一个舍入误差。

【讨论】：