1. 布尔索引

布尔值可以作为索引。例如对于一个data中存放着小王，小张和小李的数学、语文和英语成绩：

import numpy as np
data = 	[[100,99,98],	#小王
		[97,96,95],		#小张
    	[94,93,92]]		#小李
data = np.array(data)

如果想切片得到小张和小李的所有科目的成绩，可以使用布尔索引。首先定义一个布尔索引矩阵bool_index：

bool_index = [False, 
              True, 
              True]
bool_index = np.array(bool_index)

然后将bool_index作为data矩阵的索引：

1	data[bool_index]

则True位置对应的元素将会被保存，输出为一个两行三列的矩阵：array([[100, 99, 98],[ 97, 96, 95]])。

names = ["Wang","Zhang","Li"]
names = np.array(names)

data[names=="Zhang",names=="Li"]

2. 代码分析

孪生神经网络中计算精度的代码:

1 2	def compute_accuracy(predictions, labels): return labels[predictions.ravel() < 0.5].mean()

predictions和labels是预测矩阵和标签矩阵，在标签矩阵中三组Genuine图片记作1，两组Imposite图片记作0。

假设predictions和labels为：

$predictions =\left[ \begin{matrix} [0.1],\\ [0.2],\\ [0.3],\\ [0.7],\\ [0.8] \end{matrix} \right], labels = \left[ \begin{matrix} 1,\\ 0,\\ 1,\\ 1,\\ 0 \end{matrix} \right]$
preditions.ravel() 展开之后就变为：

$predictions.ravel() =\left[ \begin{matrix} 0.1,\\ 0.2,\\ 0.3,\\ 0.7,\\ 0.8 \end{matrix} \right]$
predictions.ravel() < 0.5条件判断，返回布尔索引矩阵：

$predictions.ravel()<0.5 =\left[ \begin{matrix} True,\\ True,\\ True,\\ False,\\ False \end{matrix} \right]$
labels[predictions.ravel() < 0.5]使用布尔索引矩阵作为索引，返回True对应索引处的元素（即返回神经网络认为Genuine==True的图片组）:

$labels[predictions.ravel() < 0.5] =\left[ \begin{matrix} 1,\\ 0,\\ 1\\ \end{matrix} \right]$
目前矩阵中的元素都是神经网络认为是Genuine的图片组。他们的真实标签要么是0，要么是1。所以只要对他们求平均值，就可以知道神经网络预测Genuine的成功率。求平均：labels[predictions.ravel() < 0.5].mean() = 0.66，也就是说正确率为0.66。

这个compute_accuracy算法根本就不关心神经网络对于Imposite图片组识别的成功率，而是只计算了对于Genuine图片组识别的成功率。