我刚开始学习Python，理解如何实现以下目标时遇到了困难（我是一名Java程序员）。
这是初始代码：
def compute_distances_two_loops(self, X): """ 计算X中每个测试点与self.X_train中每个训练点之间的距离，使用嵌套循环遍历训练数据和测试数据。 输入： - X: 一个形状为(num_test, D)的numpy数组，包含测试数据。 返回： - dists: 一个形状为(num_test, num_train)的numpy数组，其中dists[i, j]是第i个测试点与第j个训练点之间的欧几里得距离。 """ num_test = X.shape[0] num_train = self.X_train.shape[0] dists = np.zeros((num_test, num_train)) for i in range(num_test): for j in range(num_train): ##################################################################### # TODO: # # 计算第i个测试点与第j个训练点之间的l2距离，并将结果存储在dists[i, j]中。你不应该使用维度的循环。 # ##################################################################### dists[i, j] = np.sum(np.square(X[i] - self.X_train[j])) ##################################################################### # END OF YOUR CODE # ##################################################################### return dists这是应该减少一个嵌套循环但仍能输出相同数组的代码片段：
def compute_distances_one_loop(self, X): """ 计算X中每个测试点与self.X_train中每个训练点之间的距离，使用单一循环遍历测试数据。 输入/输出：与compute_distances_two_loops相同 """ num_test = X.shape[0] num_train = self.X_train.shape[0] dists = np.zeros((num_test, num_train)) for i in range(num_test): tmp = '%s %d' % ("\nfor i:", i) print(tmp) print(X[i]) print("end of X[i]") print(self.X_train[:]) # 所有内容 [[ ... ... ]] print(": before, i after") print(self.X_train[i]) # 只是一行 print(self.X_train[i, :]) ####################################################################### # TODO: # # 计算第i个测试点与所有训练点之间的l2距离，并将结果存储在dists[i, :]中。 # ####################################################################### dists[i, :] = np.sum(np.square(X[i] - self.X_train[i, :])) print(dists[i]) ####################################################################### # END OF YOUR CODE # ####################################################################### return dists看起来这个应该对我有帮助，但我还是没能弄明白。
你可以看到，我的陷阱之一是我对“:”的具体用法理解不够透彻。
我花了几个小时试图弄清楚这件事，但似乎我确实缺乏一些核心知识。有人能帮帮我吗？这个练习来自斯坦福大学的视觉识别课程：这是第一项作业，但这不是我的实际作业，因为我只是为了乐趣自学这门课程。
目前，我的代码片段输出了two_loops对角线的正确值，但对于整行。我不明白如何将dists[i, :]中的:与- self.X_train[i, :]部分同步。如何计算X[i]减去一个遍历整个self.X_train的迭代？
注意：num_test是500×3072，num_train是5000×3072。3072来自32x32x3，这是32×32图片的RGB值。dists[i,j]是一个500×5000的矩阵，映射num_test的第i个元素与num_train的第j个元素之间的L2距离。
回答：
def compute_distances_one_loop(self, X): """ 计算X中每个测试点与self.X_train中每个训练点之间的距离，使用单一循环遍历测试数据。 输入/输出：与compute_distances_two_loops相同 """ num_test = X.shape[0] num_train = self.X_train.shape[0] dists = np.zeros((num_test, num_train)) for i in range(num_test): tmp = '%s %d' % ("\nfor i:", i) print(tmp) ####################################################################### # TODO: # # 计算第i个测试点与所有训练点之间的l2距离，并将结果存储在dists[i, :]中。 # ####################################################################### dists[i] = np.sum(np.square(X[i] - self.X_train), axis=1) print(dists[i]) ####################################################################### # END OF YOUR CODE # ####################################################################### return dists在循环中移除包含self.X_train的打印语句，因为长度不一致。（IndexOutOfRangeException）我不确定这是否移除了第二个循环，但这是一个可行的解决方案。
另一个评论，我认为你在欧几里得距离公式上犯了错误。你在最后缺少了sqrt函数。
