Neural network 索引数组无法与形状（103，）（103,10）一起广播

我的代码如下

AL = AL.T
print("AL = " + str(AL))
print("shape AL =" +str(AL.shape))

AL = [[ 0.00060828  0.00062134  0.00103428 ...,  0.00177817  0.00153976
   0.00220757]
 [ 0.00057424  0.00059807  0.00094907 ...,  0.00181722  0.00163071
   0.0017858 ]
 [ 0.00066254  0.00051859  0.00095111 ...,  0.00170046  0.00162012
   0.00231112]
 ..., 
 [ 0.00064599  0.00055204  0.00100892 ...,  0.0015652   0.00140016
   0.0020871 ]
 [ 0.0006461   0.00055202  0.00100921 ...,  0.00156518  0.00140028
   0.00208662]
 [ 0.00064608  0.00055209  0.00100905 ...,  0.00156585  0.00140004
   0.00208697]]

shape AL =(103, 10)

对于Y，我有：

Y =[[0 0 0 ..., 0 0 0]
 [1 0 0 ..., 0 0 0]
 [0 0 0 ..., 0 0 0]
 ..., 
 [0 1 0 ..., 0 0 0]
 [0 0 1 ..., 0 0 0]
 [0 0 0 ..., 0 0 0]]

shape Y = (103, 10)

m=103

然后我计算log_似然，如下所示：

log_likelihood = -np.log(AL[range(m),(Y)])

我有一个输出错误：

IndexError: shape mismatch: indexing arrays could not be broadcast together with shapes (103,) (103,10) 

我不明白，因为两个维度都是（103,10）

103代表我的示例，10代表我的类。

---

通过计算对数似然值，我是否做错了什么？

m代表什么？当然，

range（m）=range（103）

的形状是（103，）并且不能用二维（103,10）张量进行广播。也许你需要

-np.log（AL[range（m）]，（Y））

@JoshFriedlander m代表我的示例数量（so 103）。我想它一定只是一个索引。所以Y的形状是（103,10）。那我怎么才能让我的日志工作呢？我想保持Y的维数（它是我的一个热向量）。我想对我的例子进行重覆，所以在我的例子中是103…只是为了确定，你在试图根据AL中的概率，为每一行找到最可能的Y标签？如果是这样，请尝试

np.argsort

我试图计算的是在AL中找到的最高概率的每个训练示例的最小成本。