为什么我要获得UFUNC的＆＃x27;不支持numpy.ndarray类型的参数0＆＃x27;对日志方法的错误？

Question

首先，我使用np.array在多个矩阵上执行操作，并且成功。

import numpy as np
import matplotlib.pyplot as plt

f = np.array([[0.35, 0.65]])
e = np.array([[0.92, 0.08], [0.03, 0.97]])
r = np.array([[0.95, 0.05], [0.06, 0.94]])
d = np.array([[0.99, 0.01], [0.08, 0.92]])
c = np.array([[0, 1], [1, 0]])

D = np.sum(f@(e@r@d*c))

u = f@e
I = np.sum(f@(e*np.log(e/u)))

print(D)
print(I)

结果：

0.14538525
0.45687371996485304

接下来，我尝试使用矩阵中的一个元素作为变量来绘制结果，但发生了错误。

import numpy as np
import matplotlib.pyplot as plt

t = np.arange(0.01, 0.99, 0.01)

f = np.array([[0.35, 0.65]])
e = np.array([[1-t, t], [0.03, 0.97]])
r = np.array([[0.95, 0.05], [0.06, 0.94]])
d = np.array([[0.99, 0.01], [0.08, 0.92]])
c = np.array([[0, 1], [1, 0]])

D = np.sum(f@(e@r@d*c))

u = f@e
I = np.sum(f@(e*np.log(e/u)))

plt.plot(t, D)
plt.plot(t, I)
plt.show()

它显示以下错误：

AttributeError                            Traceback (most recent call last)
AttributeError: 'numpy.ndarray' object has no attribute 'log'

The above exception was the direct cause of the following exception:

TypeError                                 Traceback (most recent call last)
<ipython-input-14-0856df964382> in <module>()
     10 
     11 u = f@e
---> 12 I = np.sum(f@(e*np.log(e/u)))
     13 
     14 plt.plot(t, D)

TypeError: loop of ufunc does not support argument 0 of type numpy.ndarray which has no callable log method

以下代码没有问题，因此我认为使用np.array有问题。

import numpy as np
import matplotlib.pyplot as plt

t = np.arange(0.01, 0.99, 0.01)

y = np.log(t)

plt.plot(t, y)
plt.show()

这个问题有什么想法吗？非常感谢。

Answer 1

您不能使用构造中的变量t从变量e创建 batch ，

e = np.array([[1-t, t], [0.03, 0.97]])

因为这将由于而创建一个破烂的数组[1-T，T]和[0.03，0.97]具有不同的形状。相反，您可以通过重复[0.03，0.97]来创建e，以匹配[1-T，T]的形状，然后堆叠它们在一起如下。

t = np.arange(.01, .99, .01)  # shape (98,)
_t = np.stack([t, 1-t], axis=1)  # shape (98, 2)
e = np.array([[.03, .97]])  # shape (1, 2)
e = np.repeat(e, len(ts), axis=0)  # shape (98, 2)
e = np.stack([_t, e], axis=1)  # shape (98, 2, 2)

之后，e将是2x2矩阵的 batch

array([[[0.01, 0.99],
        [0.03, 0.97]],

       [[0.02, 0.98],
        [0.03, 0.97]],

       [[0.03, 0.97],
        [0.03, 0.97]],

       [[0.04, 0.96],
        [0.03, 0.97]], ...

最后，在 batch dimension中展开其他变量，以利用 numpy广播批量计算

f = np.array([[0.35, 0.65]])[None,:]  # shape (1,1,2)
r = np.array([[0.95, 0.05], [0.06, 0.94]])[None,:]  # shape (1,2,2)
d = np.array([[0.99, 0.01], [0.08, 0.92]])[None,:]  # shape (1,2,2)
c = np.array([[0, 1], [1, 0]])[None,:]  # shape (1,2,2)

，仅在最后一个轴上汇总以获得每矩阵结果。

D = np.sum(f@(e@r@d*c), axis=-1)  # shape (98, 1)

u = f@e
I = np.sum(f@(e*np.log(e/u)), axis=-1)  # shape (98, 1)