在如题的optional lab中，有如下代码计算决策边界，但是按照w0x0+w1x1+b=0求解x0和x1的话，w_out的索引不是应该与x的下标对应吗？
fig,ax = plt.subplots(1,1,figsize=(5,4))
# plot the probability
plt_prob(ax, w_out, b_out)
# Plot the original data
ax.set_ylabel(r'$x_1$')
ax.set_xlabel(r'$x_0$')
ax.axis([0, 4, 0, 3.5])
plot_data(X_train,y_train,ax)
# Plot the decision boundary
x0 = -b_out/w_out[1] #为什么不是w_out[0]
x1 = -b_out/w_out[0] #为什么不是w_out[1]
ax.plot([0,x0],[x1,0], c=dlc["dlblue"], lw=1)
plt.show()
首先，需要明确在W3_Lab06_Gradient_Descent中，计算决策边界的代码是哪一段。根据题目描述，应该是在第二部分中的“Visualizing the decision boundary”部分。该部分的代码如下：
w_out = sess.run(w)
b_out = sess.run(b)
x1_vals = [d[1] for d in data]
plot_x = np.array([np.min(x1_vals) - 2, np.max(x1_vals) + 2])
plot_y = 1 / w_out[1] * (-w_out[0] * plot_x - b_out)
plot_y = [float(p) for p in plot_y]
setosa_x = [d[1] for i,d in enumerate(data) if target[i]==0]
setosa_y = [d[0] for i,d in enumerate(data) if target[i]==0]
versicolor_x = [d[1] for i,d in enumerate(data) if target[i]==1]
versicolor_y = [d[0] for i,d in enumerate(data) if target[i]==1]
boundary_x = plot_x
boundary_y = plot_y
mpl.rcParams['legend.fontsize'] = 10
fig = plt.figure()
ax = fig.gca()
ax.plot(setosa_x, setosa_y, 'o', label='I.setosa')
ax.plot(versicolor_x, versicolor_y, 'x', label='I.versicolor')
ax.plot(boundary_x, boundary_y, '-', label='Decision Boundary')
ax.legend()
ax.set_xlabel('Petal length')
ax.set_ylabel('Sepal width')
ax.set_title('Logistic Regression Example')
plt.show()
接下来，需要明确w_out和x的索引不对应是什么问题。根据代码，在计算决策边界时，我们需要求解w0x0+w1x1+b=0的x0和x1。这需要用到w_out和b_out，它们是在训练模型时得到的w和b的最终值。然而，作者在计算决策边界时，却使用了1/w_out[1]来计算x0和x1，这会导致x0和x1与w_out和b_out所代表的含义不一致，进而让代码难以理解。
为了解决这个问题，我们需要重新推导w_out和b_out的含义，并正确地使用它们来计算决策边界的x0和x1。首先，我们回顾一下逻辑回归的决策边界的含义：当wx+b=0时，预测输出为1/2。这意味着w和b在决策边界上的取值必须满足wx+b=0。考虑到决策边界是一个直线，其中w的系数和b的系数可以代表该直线的斜率和截距。
假设决策边界的直线方程是y=kx+b，其中k是直线的斜率，b是截距。我们知道，如果将决策边界画在x1-x2平面上，则有x1和x2代表了两个坐标轴，可以分别表示直线方程中的自变量x和因变量y。当x1和x2满足方程y=kx+b时，这些坐标点就位于决策边界上。因此，我们可以用x1和x2代替y和x，将直线方程y=kx+b变换为x2=kx1+b。进而，我们可以将逻辑回归模型中wx+b=0的公式变为w0x0+w1x1+b=0的公式，只需要将x0设为1，x1设为x2即可。这里的w0和w1则分别代表了直线方程中的截距b和斜率k。
现在我们知道了如何得到决策边界在x1-x2平面上的方程，也明确了w_out中的w0和w1分别代表什么含义。因此，在计算决策边界的x0和x1时，我们应该写成：
plot_y = - (b_out / w_out[1]) - (w_out[0] / w_out[1]) * plot_x
至此，我们成功解决了w_out和x的索引不对应的问题。完整的Visualizing the decision boundary部分的代码为：
w_out = sess.run(w)
b_out = sess.run(b)
x1_vals = [d[1] for d in data]
plot_x = np.array([np.min(x1_vals) - 2, np.max(x1_vals) + 2])
plot_y = - (b_out / w_out[1]) - (w_out[0] / w_out[1]) * plot_x
setosa_x = [d[1] for i,d in enumerate(data) if target[i]==0]
setosa_y = [d[0] for i,d in enumerate(data) if target[i]==0]
versicolor_x = [d[1] for i,d in enumerate(data) if target[i]==1]
versicolor_y = [d[0] for i,d in enumerate(data) if target[i]==1]
boundary_x = plot_x
boundary_y = plot_y
mpl.rcParams['legend.fontsize'] = 10
fig = plt.figure()
ax = fig.gca()
ax.plot(setosa_x, setosa_y, 'o', label='I.setosa')
ax.plot(versicolor_x, versicolor_y, 'x', label='I.versicolor')
ax.plot(boundary_x, boundary_y, '-', label='Decision Boundary')
ax.legend()
ax.set_xlabel('Petal length')
ax.set_ylabel('Sepal width')
ax.set_title('Logistic Regression Example')
plt.show()