如何在不使用循环的情况下使用NumPy在Python中逐行应用均方误差

问题描述

我正在构建一个原始的神经网络来模拟与门。损失函数是MSE：

def mse(predicted,desired): 
    return np.square(np.subtract(predicted,desired)).mean()

以下是预测和所需输出（又称标签）：

predicted = np.array
    ([[0.5000,0.5000],# 0 AND 0
      [0.4721,0.5279],# 0 AND 1
      [0.3049,0.6951],# 1 AND 0
      [0.3345,0.6655]])  # 1 AND 1

desired = np.array
    ([[1,0],# False
      [1,# False
      [0,1]])  # True

每行（在上述两个矩阵中）都表示一种情况。我想这样将所有案例保持在一起，而不是将它们拆分为向量。问题是，我需要单独对待每一行。

我正在尝试获得以下结果，但我却没能完成

：

returned output = 
    [0.2500,# 1st CASE ERROR
     0.2786,# 2nd CASE ERROR
     0.4831,# 3rd CASE ERROR 
     0.1118]  # 4th CASE ERROR

我尝试了以下功能...

np.apply_along_axis(mse,1,predicted,desired)

但是它不起作用，因为“需求” 被作为整个矩阵而不是一次传递。那么，有什么方法可以在不更改“ mse函数”实现或循环的情况下实现这一目标？

解决方法

由于所有数据都以格式良好的ndarrays组成，因此您可以使NumPy承担所有繁重的工作。在这种情况下，您可以将for循环转换为沿数组维度之一的约简。

np.square(np.subtract(predicted,desired)).mean(1)

或

((predicted-desired)**2).mean(1)

这是更易读的IMO。