Python调用sigmoid后weighted_sum被意外修改的原因咨询

这个现象的触发逻辑非常明确：NumPy 数组采用引用传递，且编写的 sigmoid 函数存在原地修改传入数组的行为，整个流程的连锁反应如下：

• 在 feed_forward 中通过 np.add、np.dot 生成的 weighted_sum 是一个 NumPy 数组实例，把它作为参数传给 sigmoid 时，Python 传递的是这个数组的内存地址引用，不是数组里存的数值拷贝。
• 编写的 sigmoid 函数内部，通过双层循环逐位给传入的 input_matrix 重新赋值：input_matrix[i,j] = 1 / (1 + math.exp(-(input_matrix[i,j])))，这类对数组元素的直接赋值属于原地修改内存内容，全程没有生成新的数组对象。
• 等 sigmoid 跑完，原本存着加权和数值（也就是预期的0）的那块内存，已经被覆盖成了 sigmoid 算出来的结果（0.5）。而 feed_forward 里的 weighted_sum 变量从始至终都指向这块被改过的内存，activation 接收到的返回值也是这块内存的引用。最后返回的列表里两个元素本质上是同一个数组，打印出来的值当然完全一样，原本的加权和早就被冲掉了。

在 sigmoid 执行完之后重新跑一遍 weighted_sum = np.add(np.dot(W_L_1,A_L_0), B_L_1)，会在内存里新开一块独立的、没被 sigmoid 改过的数组空间，这时候 weighted_sum 指向的新数组和被 sigmoid 改过的 activation 完全没有内存关联，自然就能输出正确的0值。但这种方法要重复做一遍矩阵点积和加法，属于冗余计算，在数据量大的时候性能损耗非常明显。

• 最直接的改法是在 sigmoid 函数开头加一行拷贝逻辑：input_matrix = input_matrix.copy()。后续循环修改的是这个拷贝出来的独立数组，完全不会影响外面传进来的原始 weighted_sum，从根源上切断两个变量的内存关联。
• 直接把双层循环的 sigmoid 实现换成 NumPy 原生的向量化运算：return 1 / (1 + np.exp(-input_matrix))。这类 NumPy 内置运算默认会生成全新的数组存结果，根本不会出现原地修改原数组的问题，而且运算速度比双层 Python 循环快几十上百倍。

内容的提问来源于stack exchange，提问作者Joth