失败断言测试的浮点数的Python ()

Question

背景：

我已经完成了一门机器学习和神经网络的课程，接下来我遇到了一个问题，我们需要计算成本函数。通过应用np.multiply和np.sum或np.dot，有两种方法可以做到这一点。我在示例中分别调用了这些cost1和cost2。他们产生了同样的结果。

问题：

我的问题是，函数(已经为我完成了)断言成本是使用isinstance()浮动的。第一个方法产生一个通过这个测试的值，而第二个方法没有。但是，当我打印两个值及其相关的dtype时，它们似乎都是浮动的，尽管cost2具有更高的精度。为什么cost2不能通过断言测试？

“守则”：

def compute_cost(A2, Y, parameters):
    """ 
    Computes the cross-entropy cost given in equation (13)

    Arguments:
    A2 -- The sigmoid output of the second activation, of shape (1, number of examples)
    Y -- "true" labels vector of shape (1, number of examples)
    parameters -- python dictionary containing your parameters W1, b1, W2 and b2

    Returns:
    cost -- cross-entropy cost given equation (13)
    """

    m = Y.shape[1] # number of example

    # Compute the cross-entropy cost
    ### START CODE HERE ### (≈ 2 lines of code)
    logprobs = np.multiply(np.log(A2), Y)
    cost1 = -np.sum(logprobs)
    cost2 = -np.dot(np.log(A2), Y.T)
    ### END CODE HERE ###

    cost1 = np.squeeze(cost1)     # makes sure cost is the dimension we expect. 
    cost2 = np.squeeze(cost2)     # E.g., turns [[17]] into 17 


    # Troubleshooting
    print(cost1.dtype,cost2.dtype)
    print(cost1,cost2)

    assert(isinstance(cost1, float))
    assert(isinstance(cost2, float))

    return cost1


A2, Y_assess, parameters = compute_cost_test_case()
print("cost = " + str(compute_cost(A2, Y_assess, parameters)))

输出：

float64 float64
0.692685886972 0.6926858869721941
---------------------------------------------------------------------------
AssertionError                            Traceback (most recent call last)
<ipython-input-84-92a25de13cb3> in <module>()
  1 A2, Y_assess, parameters = compute_cost_test_case()
  2 
----> 3 print("cost = " + str(compute_cost(A2, Y_assess, parameters)))

<ipython-input-83-411aa6cb57b7> in compute_cost(A2, Y, parameters)
 30 
 31     assert(isinstance(cost1, float))
---> 32     assert(isinstance(cost2, float))
 33 
 34     return cost1

AssertionError: 

Answer 1

好吧，让我从头开始。

First，这不是你问的问题，而是科学秘书处的问题。np.dot()并不总是等于np.sum and np.multiply，理论上它们是相等的，但是在成本函数的计算上，它们是不一样的，因为np.dot的计算会因矩阵的不同而不同，更不用说它会因为尺寸失配而给你一个误差。因此，为了安全起见，使用乘然后求和函数，你可以检查这篇文章，以获得更多关于这件事的信息。Python implementation of the cost function in logistic regression: why dot multiplication in one expression but element-wise multiplication in another

第二个，这是您最初的问题，要进入问题，您应该打印关于cost1和cost2的所有信息。

例如，在用keepdims = True计算成本方程之后，您会发现cost.shape = ()、cost.dtype = float64和type(cost) = numpy.ndarray是一个scalar，这就是您的问题所在。

函数squeeze可以成功地将维度降到顶点，例如，[[.364]]将是.364。然而，.364将是numpy.ndarray类型。

因此，要将scalar转换为浮动，只需执行以下操作

解决方案：

cost = np.asscalar(cost)    # make sure to convert scalar with shape () to normal float

因此，你的主张肯定会运作良好。

您可以检查这个问题How to convert singleton array to a scalar value in Python?和这个也可以What is a ndarray of shape () returned after np.squeeze from shape (1,1)?