深度学习入门（鱼书）cross_entropy_error(y, t)问题

def cross_entropy_error(y, t):
    if y.ndim == 1:
        t = t.reshape(1, t.size)
        y = y.reshape(1, y.size)
        
    # 监督数据是one-hot-vector的情况下，转换为正确解标签的索引
    if t.size == y.size:
        t = t.argmax(axis=1)
             
    batch_size = y.shape[0]
    return -np.sum(np.log(y[np.arange(batch_size), t] + 1e-7)) / batch_size

看到这段代码可能不熟悉python的同学可能会犯迷糊，这里我谈一下我的理解。

1.为什么有以下代码？

if y.ndim == 1: t = t.reshape(1, t.size) y = y.reshape(1, y.size)

答：因为现在是对min_batch个数据进行操作，通常数据是大于一个的。此时batch_size等于数据个数。但如果只有一个数据呢？此时如果不加上述代码，batch_size就会等于一维数组的元素个数，产生错误，所以加上 上述代码。

2.t=t.argmax(axis=1)是什么意思？

答：当t是一维数组，也就是只有一个数据时，t返回最大数的下标。

       当t是二维数组时，axis等于1，以数组形式返回每一行最大数的下标。

3.np.sum(np.log(y[np.arange(batch_size), t] + 1e-7))是什么意思？

    3.1 首先要知道np.arange(batch_size), t] 是什么意思？

           它返回的是一个一维数组，数组中的元素是每个数据中最大的元素。

    3.2 那么这段代码的意思就是，把每个数据中最大的元素的对数值进行求和。