神经网络值错误：形状未被分配

Question

我想将神经网络（多层感知器）应用于我的数据。我得到这个错误：ValueError：形状（3，）和（4,99）不对齐：3（dim 0）！= 4（dim 0）

我有这条线的错误：a = self.activation np.dot（a，self.weights [l]））

如果有人能帮助我，我会很高兴。谢谢。

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)) 

Answer 1

我有得到相同的错误代码，并将其似乎这是由于使用的数据形状不同于NN初始化中的第一个矢量元素 您必须具有： nn = NeuralNetwork（[2，len（nn_inputs），1]，'tanh'） 而不是 nn =神经网络（[3，len（nn_inputs），1]，'tanh'） 在类NeuralNetwork中，处理

当加入我给你的整个代码为我工作得很好下面：

高清线（X）： 回报2 * X + 3 高清linear_deriv（X）： 回报2 高清正切（x）： return np.tanh（x）

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

DEF物流（X）： 返回1 /（1 + np.exp（-x））

DEF logistic_derivative（X）： 返回物流（X ）*（1-物流（X））

类NeuralNetwork： DEF 初始化（个体，层，活化= '的tanh'）： “”” ：PARAM层：宇根清单当然contenant勒农布雷d” unitésde chaque couche（la couche d'entrée， les couchescachéeset la couche de sortie Doit avoir au moins 2 valeurs（nombre de neurones de la couche d'entréeet celle de la couche de sortie ：param activation：la fonction d'activationàutiliser。 peut-理由 “逻辑” 或 “的tanh” “”” self.layers =层 如果激活== '物流'： self.activation =物流 self.activation_deriv = logistic_derivative elif的活化== '的tanh' ： self.activation =双曲正切 self.activation_deriv = tanh_deriv elif的活化== '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 

希望这将有助于