时间戳

首页 > 解决方案 > Matlab 和 Python 中用于矩阵乘法和求幂的不同结果

python - Matlab 和 Python 中用于矩阵乘法和求幂的不同结果

问题描述

从 Matlab 迁移到 Python 时，我得到了不同的矩阵乘法和求幂结果。

这是一个简单的 softmax 分类器实现。我运行 Python 代码，将变量导出为 mat 文件，然后运行原始 Matlab 代码，加载从 Python 导出的变量，并进行比较。

Python代码：

f = np.array([[4714, 4735, 4697], [4749, 4748, 4709]])
f = f.astype(np.float64)
a = np.array([[0.001, 0.001, 0.001], [0.001, 0.001, 0.001], [0.001, 0.001, 0.001]])

reg = f.dot(a)
omega = np.exp(reg)
sumomega = np.sum(omega, axis=1)

io.savemat('python_variables.mat', {'p_f': f,
                                    'p_a': a,
                                    'p_reg': reg,
                                    'p_omega': omega,
                                    'p_sumomega': sumomega})

Matlab代码：

f = [4714, 4735, 4697; 4749, 4748, 4709];
a = [0.001, 0.001, 0.001; 0.001, 0.001, 0.001; 0.001, 0.001, 0.001];

reg = f*a;
omega = exp(reg);
sumomega = sum(omega, 2);
load('python_variables.mat');

我通过检查以下内容来比较结果：

norm(f - p_f) = 0
norm(a - p_a) = 0
norm(reg - p_reg) = 3.0767e-15
norm(omega - p_omega) = 4.0327e-09
norm(omega - exp(p_f*p_a)) = 0

所以差异似乎是由乘法引起的，并且使用 exp() 会变得更大。而我的原始数据矩阵比这个大。我得到更大的欧米茄值：

norm(reg - p_reg) = 7.0642e-12
norm(omega - p_omega) = 1.2167e+250

这也导致在某些情况下 sumomega 在 Python 中变为 inf 或零，但在 Matlab 中则不然，因此分类器输出不同。

我在这里想念什么？如何修复以获得完全相同的结果？

标签： pythonmatlabnumpy

解决方案

对我来说，差异看起来像是数值精度。对于浮点运算，运算顺序很重要。重新排序操作时，您会得到（略微）不同的结果，因为舍入发生的方式不同。

Python 和 MATLAB 实现矩阵乘法的方式可能略有不同，因此您不应期望得到完全相同的结果。

如果您需要将e提高到此乘法结果的幂，您将产生一个不精确程度更高的结果。这正是浮点运算的本质。

这里的问题不是您在 MATLAB 和 Python 中没有得到完全相同的结果，而是两者都产生了不精确的结果，并且您不知道您获得的精度是多少。

已知 softmax 函数会溢出。解决方案是从所有输入值中减去最大输入值。有关更多详细信息，请参阅其他问题。

推荐阅读