神经网络值错误:形状未对齐

Neural Networks Value Errors: Shapes not alligned

我正在尝试将神经网络(多层感知器)应用于我的数据。我收到此错误:ValueError:形状 (3,) 和 (4,99) 未对齐:3 (dim 0) != 4 (dim 0)

我在这一行有错误:a = self.activation(np.dot(a, self.weights[l]))

如果有人能帮助我,我会happy.Thanks。

nn_inputs: [[15, 0, 2.48489062802], [-35, 29, 1.15616438943], [-5, -1, 2.32958496377], [ -48, 33, 0.706488511889], [-10, 2, 2.09510386284], [-3, 11, 1.8423515073]]

nn_labels: [0, 1, 0, 1, 0, 1]

def tanh(x):
    return np.tanh(x)

def tanh_deriv(x):
    return 1.0 - np.tanh(x)**2

def logistic(x):
    return 1/(1 + np.exp(-x))

def logistic_derivative(x):
    return logistic(x)*(1-logistic(x))


class NeuralNetwork:
    def __init__(self, layers, activation='tanh'):
    """
    :param layers: A list containing the number of units in each layer.
    Should be at least two values
    :param activation: The activation function to be used. Can be
    "logistic" or "tanh"
    """
    if activation == 'logistic':
        self.activation = logistic
        self.activation_deriv = logistic_derivative
    elif activation == 'tanh':
        self.activation = tanh
        self.activation_deriv = tanh_deriv

    self.weights = []
    for i in range(1, len(layers) - 1):
        self.weights.append((2*np.random.random((layers[i - 1] + 1, layers[i]+ 1))-1)*0.25)
    self.weights.append((2*np.random.random((layers[i] + 1, layers[i +
                        1]))-1)*0.25)



    def fit(self, X, y, learning_rate=0.2, epochs=10000):
        X = np.atleast_2d(X)
        temp = np.ones([X.shape[0], X.shape[1]+1])
        temp[:, 0:-1] = X  # adding the bias unit to the input layer
        X = temp
        y = np.array(y)

        for k in range(epochs):
            i = np.random.randint(X.shape[0])
            a = [X[i]]


            for l in range(len(self.weights)):
                a.append(self.activation(np.dot(a[l], self.weights[l])))
            error = y[i] - a[-1]
            deltas = [error * self.activation_deriv(a[-1])]

            for l in range(len(a) - 2, 0, -1): # we need to begin at the second to last layer
              deltas.append(deltas[-1].dot(self.weights[l].T)*self.activation_deriv(a[l]))


        deltas.reverse()
        for i in range(len(self.weights)):
            layer = np.atleast_2d(a[i])
            delta = np.atleast_2d(deltas[i])
            self.weights[i] += learning_rate * layer.T.dot(delta)

    def predict(self, x):
        x = np.array(x)
        temp = np.ones(x.shape[0]+1)
        temp[0:-1] = x
        a = temp
        for l in range(0, len(self.weights)):
            a = self.activation(np.dot(a, self.weights[l]))
        return a


nn_inputs = map(list, zip(speed, occupancy, capacity))
nn_labels = labels

nn = NeuralNetwork([3,len(nn_inputs),1], 'tanh')


nn.fit(nn_inputs, nn_labels)
for i in [[0, 0], [0, 1], [1, 0], [1,1]]:
    print(i,nn.predict(i))

我得到了相同的错误代码,这似乎是由于使用了与 NN 初始化中向量的第一个元素不同的数据形状 你必须有: nn = 神经网络 ([2,len(nn_inputs),1], 'tanh') 代替 nn = 神经网络 ([3,len(nn_inputs),1], 'tanh') 与 class NeuralNetwork 一样,在处理

时添加偏差

我在下面为您提供了对我来说工作正常的完整代码:

定义线性(x): return2*x+3 def linear_deriv(x): return 2 def tanh(x): return np.tanh(x)

def tanh_deriv(x): return 1.0 - np.tanh(x)**2

def 逻辑(x): return 1/(1 + np.exp(-x))

def logistic_derivative(x): return 后勤(x)*(1-后勤(x))

class 神经网络: def init(self, layers, activation='tanh'): """ :param layers: Une liste contenant le nombre d'unités de chaque couche (la couche d'entrée, les couches cachées et la couche de sortie Doit avoir au moins 2 valeurs (nombre de neurones de la couche d'entrée et celle de 突击队 :param activation: la fonction d'activation à utiliser。 peut-être "logistic" 或 "tanh" """ self.layers=图层 如果激活 == 'logistic': self.activation = 物流 self.activation_deriv = logistic_derivative elif 激活 == 'tanh': self.activation = tanh self.activation_deriv = tanh_deriv elif 激活 == 'lineaire': self.activation = 线性 self.activation_deriv = linear_deriv

    #self.weights est une liste de matrice de poids. chaque matrice représente
    #l'ensemble des poids qui lient une couche et celle qui la suit
    #la première lie la couche des données à la première couche cachée
    #la seconde lie la première couche cachée à la seconde. Ainsi de suite
    #jusqu'à la dernière qui lie la dernière couche cachée et la couche de sortie
    self.weights = []
    """ Initialisation des poids.
    On initialise les poids que portent les liens entre les neurones des couches
    qui se suivent. Pour chaque couche exceptée la dernière, on ajoute le biais
    qui correspond à la valeur seuil de l'activation"""
    for i in range(1, len(layers) - 1):
        self.weights.append((2*np.random.random((layers[i - 1] + 1, layers[i]
                            + 1))-1)*0.25)
    #initialisation des poids des connexions entre la dernière couche cachée et
    #la couche de sortie
    self.weights.append((2*np.random.random((layers[i] + 1, layers[i +
                        1]))-1)*0.25)
"""la fonction d'apprentissage au taux d'apprentissage 0.2 avec un certain nombre d'itérations"""
def fit(self, X, y, taux_apprentissage=0.2,  iterations=10000 ):
        X = np.atleast_2d(X)#Transformation de l'entrée (les données) en une matrice de deux dimension
                             #Si on n'a pas déjà une matrice
        temp = np.ones([X.shape[0], X.shape[1]+1])
        temp[:, 0:-1] = X  # Ajout du biais à la couche d'éntrée
        X = temp
        y = np.array(y)
        for k in range(iterations):
            #choix d'un index au hasard
            i = np.random.randint(X.shape[0])
            #recupération de la donnée qui se trouve à cet index dans la matrice des données X
            a = [X[i]]

            for l in range(len(self.weights)):
            #calcul et propagation de l'activation de couche en couche de la première
            #à la dernière

                a.append(self.activation(np.dot(a[l], self.weights[l])))
            #estimation de l'erreur entre la sortie obtenue et la sortie désirée

            error = y[i] - a[-1]
            #calcul du signal de l'erreur pour la couche de sortie
            deltas = [error * self.activation_deriv(a[-1])]
            #calcul du signal d'erreur pour les autres couches
            for l in range(len(a) - 2, 0, -1):
                # On doit commencer le calcul
                # de l'avant dernière couche d'ou le "len(a)-2" à la première
                #on multiplie la derniere valeur du signal d'erreur par
                deltas.append(deltas[-1].dot(self.weights[l].T)*self.activation_deriv(a[l]))
            deltas.reverse()
            #Mise à jour des poids par retropropagation du gradient
            for i in range(len(self.weights)):
                layer = np.atleast_2d(a[i])
                delta = np.atleast_2d(deltas[i])
                self.weights[i] += taux_apprentissage * layer.T.dot(delta)
            if k==iterations-1:
                for u in range (X.shape[0]):
                    a = [X[u]]
                    error=0.0

                    for l in range(len(self.weights)):
                    #calcul et propagation de l'activation de couche en couche de la première
                    #à la dernière

                        a.append(self.activation(np.dot(a[l], self.weights[l])))
                    #estimation de l'erreur entre la sortie obtenue et la sortie désirée
                    e=(y[u] - a[-1])
                    #calcul de l'erreur quadratique moyenne
                    error =error + e[0]**2
                if error/X.shape[0]> -0.000001 and error/X.shape[0]> 0.000001  :
                    print("erreur globale: ")
                    print(error/X.shape[0])
                    break
                else:
                    k=0


def predict(self, x):
            x = np.array(x)

            temp = np.ones(x.shape[0]+1)
            temp[0:-1] = x

            a = temp
            for l in range(0, len(self.weights)):
                a=self.activation(np.dot(a[l], self.weights[l]))

            return a

希望这会有所帮助