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 中使用这个函数。我已经成功地使用嵌套 for 循环,但我想不出一种 numpy 的方法来做到这一点。
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)
我努力消除循环并使用 np.tile
和 np.repeat
代替,以完成任务。但想不出可行的办法。
我尝试在谷歌上搜索类似的练习,这些练习可以帮助我学习 numpy 中的此类转换,但没有成功。
最佳答案
P_hat.shape
为 (B,L),S.shape
为 (L,L),P.shape
为 (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()
关于python - 该函数的完美 numpy 实现,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/60163329/