在需要缓存的时候，谨慎使用python的负下标

Python的下标从0开始，那么当我们不想把初项放到递推的数组中的时候，我们可以使用负下标来方便地初始化。比如设f(x)=f(x-1)+something，我们就可以写

a = np.zeros(N)
a[-1] = some_initial_value
for i in range(N)
    a[i]=f(a[i-1]) + something

这样就避免了单独对a[0]进行初始化。

但是这样有一个危险：因为a[-1]实际上是a的最后一个值，所以如果你需要把每次运算时候的a给记住的话，当你计算到最后一个值的时候记忆的a[-1]会被改掉。例如，

def f(x):
  #return value is x**2, cache is x
  return x**2, x

def __main__:  
  a[-1] = some_initial_value
  cache = []
  for i in range(N): 
    a[i], cache_now = f(a[i-1])
    cache.append(cache_now)

如果这么写的话，那么你希望的cache[0] = a[-1] = some_initial_value，但是计算到最后一个a的时候，a[-1]会被改成a[N-1]，这样你的输出a[N-1]是正确的，查不出错误；但是你的cache[0]也同样被改掉了。这样，当你需要cache的时候，最后一个cache就会出问题。

这个问题在神经网络的反向传播里面特别容易犯错，当前向传播完全正确，但是反向传播却总是莫名其妙地出错，还总是只错一个参数的时候，检查一下是不是这里出问题了。