python - 替换嵌套循环

Question

我刚刚开始使用 Python，但我无法理解应该如何实现以下目标(我是一名 Java 程序员)。

这是初始代码:

  def compute_distances_two_loops(self, X):
    """
    Compute the distance between each test point in X and each training point
    in self.X_train using a nested loop over both the training data and the 
    test data.

    Inputs:
    - X: A numpy array of shape (num_test, D) containing test data.

    Returns:
    - dists: A numpy array of shape (num_test, num_train) where dists[i, j]
      is the Euclidean distance between the ith test point and the jth training
      point.
    """

    num_test = X.shape[0]
    num_train = self.X_train.shape[0]
    dists = np.zeros((num_test, num_train))

    for i in range(num_test):
      for j in range(num_train):
        #####################################################################
        # TODO:                                                             #
        # Compute the l2 distance between the ith test point and the jth    #
        # training point, and store the result in dists[i, j]. You should   #
        # not use a loop over dimension.                                    #
        #####################################################################
        dists[i, j] = np.sum(np.square(X[i] - self.X_train[j]))
        #####################################################################
        #                       END OF YOUR CODE                            #
        #####################################################################
    return dists

下面的代码应该少一个嵌套循环，同时仍输出相同的数组:

  def compute_distances_one_loop(self, X):
    """
    Compute the distance between each test point in X and each training point
    in self.X_train using a single loop over the test data.

    Input / Output: Same as compute_distances_two_loops
    """
    num_test = X.shape[0]
    num_train = self.X_train.shape[0]
    dists = np.zeros((num_test, num_train))

    for i in range(num_test):
      tmp = '%s %d' % ("\nfor i:", i)
      print(tmp)

      print(X[i])
      print("end of X[i]")
      print(self.X_train[:]) # all the thing [[ ... ... ]]
      print(": before, i after")
      print(self.X_train[i]) # just a row
      print(self.X_train[i, :])

      #######################################################################
      # TODO:                                                               #
      # Compute the l2 distance between the ith test point and all training #
      # points, and store the result in dists[i, :].                        #
      #######################################################################
      dists[i, :] = np.sum(np.square(X[i] - self.X_train[i, :]))
      print(dists[i])
      #######################################################################
      #                         END OF YOUR CODE                            #
      #######################################################################
    return dists

看起来像this应该对我有帮助，但我还是不明白。

你可以看到，我的陷阱之一是我对“:”的确切工作原理了解甚少。

我花了几个小时试图弄清楚这个问题，但似乎我确实缺乏一些核心知识。有人可以帮我吗？这个练习是针对斯坦福大学视觉识别类(class)的:这是第一个作业，但它不是我真正的家庭作业，因为我只是为了自己的乐趣而做这门类(class)。

目前，我的代码段输出的是整行的 two_loops 对角线的正确值。我不明白如何将 dists[i, :] 中的 : 与 - self.X_train[i, :]< 同步 部分。如何计算 X[i] 减去遍历整个 self.X_train 的迭代？

注意:num_test 为 500x3072，num_train 为 5000x3072。 3072来自32x32x3，即32x32图片的RGB值。 dists[i,j] 是一个 500x5000 矩阵，映射 num_test 第 i 个元素与 num_train 第 j 个元素之间的 L2 距离。

Answer 1

def compute_distances_one_loop(self, X):
    """
    Compute the distance between each test point in X and each training point
    in self.X_train using a single loop over the test data.

    Input / Output: Same as compute_distances_two_loops
    """
    num_test = X.shape[0]
    num_train = self.X_train.shape[0]
    dists = np.zeros((num_test, num_train))

    for i in range(num_test):
      tmp = '%s %d' % ("\nfor i:", i)
      print(tmp)

      #######################################################################
      # TODO:                                                               #
      # Compute the l2 distance between the ith test point and all training #
      # points, and store the result in dists[i, :].                        #
      #######################################################################
      dists[i] = np.sum(np.square(X[i] - self.X_train), axis=1)
      print(dists[i])
      #######################################################################
      #                         END OF YOUR CODE                            #
      #######################################################################
    return dists

删除循环中带有 self.X_train 的打印，因为长度不同。 (索引超出范围异常) 我不确定这是否会删除第二个循环，但这是一个可行的解决方案。

另一条评论，我认为你对欧氏距离公式的理解是错误的。 您缺少最后的 sqrt。