Python 无循环错误：扫描中的输出信息尺寸和fn输出尺寸不匹配

我是Theano的初学者，我是从一个别人的代码示例开始工作的，这个示例可能在某个点上起作用（但是，我已经修改了它…但是我非常确定我的修改与目前出现的错误无关）

无论如何，我正在调试Theano扫描…我认为我观察到的是扫描函数中的一个基本错误

U, V, W = self.U, self.V, self.W
x = T.ivector('x')
y = T.ivector('y')
def forward_prop_step(x_t, s_t_prev, U, V, W):
    s_t = T.tanh(U.dot(x_t) + V.dot(s_t_prev))
    o_t = T.tanh(W.dot(s_t))
    return [o_t,s_t]
[o,s], updates = theano.scan(
        forward_prop_step,
        sequences=x,
        outputs_info=[None, dict(initial=T.zeros(self.hidden_dim))],
        non_sequences=[U, V, W],
        truncate_gradient=self.bptt_truncate,
        strict=True)

U

是

mxn

矩阵，

V

是

nxn

矩阵，

W

是

nxo

矩阵……和

self。bptt\U truncate

是标量（4）。但我不认为我的内部功能是目前失败的

我得到的错误是：

ValueError：编译scan的内部函数时遇到以下错误：变量incSubSensor{Set；：int64:}.0（参数编号1）的初始状态（

outputs_info

）在扫描命名法中为2维，而内部函数（

fn

）的结果为2维（应比初始状态小一个）

我尝试过改变输出信息的维度，以及

forward\u prop\u step

的返回维度，但到目前为止似乎没有任何效果

我目前正在查看文档…但是，从文档来看，我所做的似乎是正确的（以下是文档中的示例）：

这是文档扫描：

W = T.matrix()
W_in_1 = T.matrix()
W_in_2 = T.matrix()
W_feedback = T.matrix()
W_out = T.matrix()

u = T.matrix() # it is a sequence of vectors
x0 = T.matrix() # initial state of x has to be a matrix, since
                # it has to cover x[-3]
y0 = T.vector() # y0 is just a vector since scan has only to provide
                # y[-1]


([x_vals, y_vals], updates) = theano.scan(fn=oneStep,
                                          sequences=dict(input=u, taps=[-4,-0]),
                                          outputs_info=[dict(initial=x0, taps=[-3,-1]), y0],
                                          non_sequences=[W, W_in_1, W_in_2, W_feedback, W_out],
                                          strict=True)
     # for second input y, scan adds -1 in output_taps by default

函数的返回是：“[x_t，y_t]”，

输出信息是
[dict（initial=x0，taps=[-3，-1]），y0]

在我的实现中，函数的返回是：
[o\u t，s\u t]
，而
输出信息是
[None，dict（initial=t.zeros（self.hidden\u dim））]
…这很有意义，因为我没有理由将输出传递到函数中…
尝试以下方法？注意与
（self.hidden\u dim，）的区别
和
（自隐藏）

我在将RNN应用于NLP任务时遇到了完全相同的问题。出现此错误的原因是
forward\u prop\u step
函数的
x\u t
参数的类型，该函数是标量的，因为迭代了ivector
x

这里的解决方案是使用一个向量。例如，
x\u tv
是一个在
x\u t
索引处都有0和1的向量

def forward_prop_step(x_t, s_t_prev, U, V, W):
    x_tv = T.eye(1, m=input_size, k=x_t)[0]
    s_t = T.tanh(U.dot(x_tv) + V.dot(s_t_prev))
    o_t = T.tanh(W.dot(s_t))
    return [o_t, s_t]

outputs_info=[None, dict(initial=T.zeros((self.hidden_dim, )))],

def forward_prop_step(x_t, s_t_prev, U, V, W):
    x_tv = T.eye(1, m=input_size, k=x_t)[0]
    s_t = T.tanh(U.dot(x_tv) + V.dot(s_t_prev))
    o_t = T.tanh(W.dot(s_t))
    return [o_t, s_t]