Deep learning “预测[a>；0.5]=1”和“acc=np.mean（预测==y）”这两行的意思是什么？

我是python编程新手。我正在研究深度学习算法。我从未见过C或C++程序中的这些类型的行。 行

预测[a>0.5]=1

和

acc=np.平均值（预测==y）

平均值是多少？

def predict(x, w, b):
    a = sigmoid( w.T @ x + b)
    predictions =  np.zeros_like(a) 
    predictions[a > 0.5] = 1
    return predictions

def test_model(x, y, w, b):
    predictions = predict(x, w, b)
    acc = np.mean(predictions == y)
    acc = np.asscalar(acc)
    return acc

def main():
    x, y = load_train_data()
    x = flatten(x)
    x = x/255. # normalize the data to [0, 1]

    print(f'train accuracy: {test_model(x, y, w, b) * 100:.2f}%')

    x, y = load_test_data()
    x = flatten(x)
    x = x/255. # normalize the data to [0, 1]

    print(f'test accuracy: {test_model(x, y, w, b) * 100:.2f}%')

---

谢谢你

一般来说，如果不知道更多，就不可能说了，因为

[]

只是调用一个方法，可以在任何类上定义：

class Indexable:
    def __getitem__(self, index):
        if index:
            return "Truly indexed!"
        else:
            return "Falsely indexed!"

predictions = Indexable()
a = 0.7
predictions[a > 0.5]
# => 'Truly indexed!'

操作员

也是如此

---

然而，从上下文来看，

predictions

和

a

可能都是相同大小的numpy数组，并且

a

包含数字

a>.5

将生成另一个与

a

大小相同的数组，其中

False

元素小于等于

.5

，而

True

元素大于

.5

predictions[b]

其中

b

是相同大小的布尔数组，将生成一个仅包含

b

为真的元素的数组：

predictions = np.array([1, 2, 3, 4, 5])
b = [True, False, False, False, True]
predictions[b]
# => array([1, 5])

索引分配类似，仅当索引数组中的对应元素为

True

时才设置值：

predictions[b] = 17
predictions
# => array([17, 2, 3, 4, 17])

因此，您想知道的是将所有

预测设置为
1，其中相应的
a
超过
0.5


至于你想知道的另一行，
==
的逻辑与上面的
类似：
预测==y
将给出一个布尔数组，告诉
预测和
y
在哪里重合

然后将该数组传递给
np.mean
，它计算其参数的算术平均值。但是，如何获得
[True，False，False，True]
的平均值？强迫他们上浮<代码>浮点（真）
是
1.0
<代码>浮点（False）
为
0.0
。因此，布尔列表的平均值基本上告诉您元素的分数为真：
np.mean（[true，False，False，true]）
与
np.mean（[1.0,0.0,0.0,0.0,1.0]）
，给出
0.4
的结果（或者40%的元素为
true
）

因此，您的行计算出
预测的比例
与
y
相同（换句话说，假设
y
是黄金数据，则预测的准确性）。
搜索
numpy
教程并在那里花费一些时间。它将帮助您理解上述代码