Python 3.x 线性回归的mxnet梯度下降，变量类型错误

我正在尝试为线性回归实现一个简单的梯度下降

如果我手动计算梯度（通过使用解析表达式），它可以正常工作，但现在我尝试使用mxnet模块中的autograd来实现它

这是密码

从mxnet导入autograd、np、npx
npx.set_np（）
def main（）：
#学习算法参数
nr_时代=1000
α=0.01
#读取数据，插入一列（包括与其他参数的偏差）
data=pd.read\u csv（“dataset.txt”，header=0，index\u col=None，sep=“\s+”）
数据。插入（0，“x_0”，1，True）#将“1”的列作为x_0插入
m=数据。形状[0]#样本数
n=数据。形状[1]-1#特征数
X=data.iloc[：，0:n].values#带有X个值的数组
Y=data.iloc[：，-1]。值#带有Y值的数组
θ=np.零（n）#初始参数数组
θ.附加_梯度（）
θ，J=梯度下降（X，Y，θ，α，nr_时代）
#-------------------#
#损失函数#
#-------------------#
def丢失功能（X，Y，θ）：
m=X.shape[0]#训练样本数
损失=0
对于范围内的i（X.shape[0]）：
损耗=损耗+（1/（2*m））*（H（X[i，：]，θ）-Y[i]）**2
回波损耗
#----------------#
#假设#
#----------------#
def H（x，θ）：
返回np.dot（x，θ）
#----------------------#
#梯度下降#
#----------------------#
def梯度下降（X、Y、θ、α、nr_历元）：
m=X.shape[0]
n=X.形状[1]
梯度=np.零（n）
损失=np.零（nr_时代）
对于范围内的历元（nr_历元）：
使用autograd.record（）：
损耗[历元]=损耗函数（X，Y，θ）
损失[历元]。向后（）
对于范围（n）内的j：
θ[j]=θ[j]-α*θ梯度[j]
返回θ，损失
如果名称=“\uuuuu main\uuuuuuuu”：
main（）

问题是，当代码计算假设时，在X和θ之间的点积中，我得到了一个错误

return np.dot(x, theta)

错误消息显示： 参数a必须具有NDArray类型，但得到[1.-5.05358]

所以，我假设x和θ的类型之间一定存在一些不兼容。 我检查了一下，发现：

X -> <class 'numpy.ndarray'>
theta -> <class 'mxnet.numpy.ndarray'>

X->
θ->

θ是用np.zero创建的，因此它是一个mxnet数组，而X是用.values方法从数据集转换而来的……这是问题的根源吗？

---

谢谢

MXNet不使用Numpy NDArray，但它的功能和API非常相似，但后端不同；mxnet NDArray是用C++编写的，使用异步执行，是GPU兼容和支持的。它也可以在CPU上工作，通常比默认的（支持OpenBLAS的）Numpy更快

因此，为了修复您的错误，我建议您确保在代码中不使用numpy，而是在所有地方使用mxnet-NDArray。其实很容易改变，因为。如果需要，您可以在numpy之间进行转换，例如：

from mxnet import nd

# Assuming A is an numpy ndarray and B an mxnet ndarray

# from numpy to mxnet
mxnet_array = nd.array(A)


# from mxnet to numpy
np_array = B.asnumpy()

关于您对线性回归的具体兴趣，请参见这里的2个python mxnet演示：

• （gluon是python命令式前端的名称，有点像keras对TF的定义）

使用这些Ndarray是MXNet如此快速的原因之一，因为它使代码完全异步，并让引擎找到优化。

---

这些Ndarray是让MXNet如此棒的东西之一，尝试一下，你会喜欢它们：）

谢谢。我在想象这样的事情。问题是，我不明白在我的代码中，我在哪里创建了numpy数组而不是NDArray。开始时，我使用了“from mxnet import autograd，np，npx”，所以我假设当我创建“theta=np.zeros（n）”时，我得到了一个数组。另一个关键点是，当我使用例如“X=data.iloc[：，0:n]”值从pandas数据集转换时，对象是以numpy或mxnet数组的方式创建的吗？我应该使用什么语法来确保它们是Ndarray？不客气！使用“从mxnet导入nd”，然后使用nd，就像我答案中链接的演示一样。同样，尽量不要使用pandas，这将导致效率低下，因为GPU不兼容，不异步，也没有专门为深度学习而构建的。您仍然可以从pandas中完美地读取csv或数据，但需要将它们转换为NDArray（使用nd.array（）），并使用内置抽象（例如ArrayDataset）或您自己的自定义数据集类将它们作为数据集对象公开。此演示演示如何使用pandas df作为MXNet模型的训练数据