时间戳

首页 > 解决方案 > 此功能的完美 numpy 实现

python - 此功能的完美 numpy 实现

问题描述

这似乎是一个更直接的问题。最后我会概括一下。

我正在尝试在 numpy 中使用此功能。我已经成功地使用了嵌套的 for 循环，但我想不出一个 numpy 的方法来做到这一点。

实现的功能

我的实现方式：

bs = 10 # batch_size
nb = 8 # number of bounding boxes
nc = 15 # number of classes

bbox = np.random.random(size=(bs, nb, 4)) # model output bounding boxes

p = np.random.random(size=(bs, nb, nc)) # model output probability
p = softmax(p, axis=-1)

s_rand = np.random.random(size=(nc, nc))
s = (s_rand + s_rand.T)/2 # similarity matrix

pp = np.random.random(size=(bs, nb, nc)) # proposed probability
pp = softmax(pp, axis=-1)

first_term = 0
for b in range(nb):
    for b_1 in range(nb):
        if b_1 == b:
            continue
        for l in range(nc):
            for l_1 in range(nc):
                first_term += (s[l, l_1] * (pp[:, b, l] - pp[:, b_1, l_1])**2)
second_term = 0
for b in range(nb):
    for l in range(nc):
        second_term += (np.linalg.norm(s[l, :], ord=1) * (pp[:, b, l] - p[:, b, l])**2)
second_term *= nb

epsilon = 0.5
output = ((1 - epsilon) * first_term) + (epsilon * second_term)

我已经努力删除循环并使用np.tileandnp.repeat来完成任务。但是想不出可行的办法。

我曾尝试在 google 上搜索这样的练习，这些练习可以帮助我在 numpy 中学习此类转换，但没有成功。

标签： pythonnumpymachine-learningloss-function

解决方案

P_hat.shape是 (B,L),S.shape是 (L,L),P.shape是 (B,L)。

array_before_sum = S[None,:,None,:]*(P_hat[:,:,None,None]- P_hat[None,None,:,:])**2
array_after_sum = array_before_sum.sum(axis=(1,3))
array_sum_again = (array_after_sum*(1-np.ones((B,B)))).sum()
first_term = (1-epsilon)*array_sum_again

second_term = epsilon*(B*np.abs(S).sum(axis=1)[None,:]*(P_hat - P)**2).sum()

推荐阅读