Python 属性错误：类没有对象和类型错误：不支持+；的操作数类型：'；内置函数或方法'；和'；浮动'；

我基本上是试图用一些变量集初始化这个类。对于

self.dim_max

我试图计算序列数据的排列和二值化，它只是一个5232 x 23 x 23的矩阵

我对逻辑没有问题，但我得到一个错误：

代码如下：

Class Model(Object):    

     def __init__(self, n_inpt, n_hiddens, n_output, train_data,
                 hidden_transfers, out_transfer, loss,
                 imp_weight=False,
                 optimizer='adam',
                 batch_size=None,
                 max_iter=1000, verbose=False):

        self.dim_max = self.transformedData(train_data)
        self.n_inpt = self.dim_max.shape[1]
        self.n_hiddens = n_hiddens
        self.n_output = n_output
        self.hidden_transfers = hidden_transfers
        self.out_transfer = out_transfer
        self.loss_ident = loss
        self.optimizer = optimizer
        self.batch_size = batch_size
        self.imp_weight = imp_weight

        self.max_iter = max_iter
        self.verbose = verbose

        self.f_predict = None

        self._init_exprs()


    def transformedData(self, traindata):
        E = traindata
        self.step = 1.0
        self.noise = 1.0
        self.triuind = (np.arange(23)[:, np.newaxis] <= np.arange(23)[np.newaxis, :]).flatten()
        self.max = 0
        for _ in range(10):
            self.max = np.maximum(max, self.realize(E).max(axis=0))
        X = self.expand(self.realize(E))
        return X

    def realize(self, X):
        def _realize_(x):
            inds = np.argsort(-(x**2).sum(axis=0)**.5 + np.random.normal(0, self.noise, x[0].shape))
            x = x[inds, :][:, inds] * 1
            x = x.flatten()[self.triuind]
            return x
        return np.array([_realize_(z) for z in X])

    def expand(self, X):
        Xexp = []
        for i in range(X.shape[1]):
            for k in np.arange(0, self.max[i] + self.step, self.step):
                Xexp += [np.tanh((X[:, i] - k) / self.step)]
        return np.array(Xexp).T

以下是此操作的代码：

Class Model(Object):    

     def __init__(self, n_inpt, n_hiddens, n_output, train_data,
                 hidden_transfers, out_transfer, loss,
                 imp_weight=False,
                 optimizer='adam',
                 batch_size=None,
                 max_iter=1000, verbose=False):

        self.dim_max = self.transformedData(train_data)
        self.n_inpt = self.dim_max.shape[1]
        self.n_hiddens = n_hiddens
        self.n_output = n_output
        self.hidden_transfers = hidden_transfers
        self.out_transfer = out_transfer
        self.loss_ident = loss
        self.optimizer = optimizer
        self.batch_size = batch_size
        self.imp_weight = imp_weight

        self.max_iter = max_iter
        self.verbose = verbose

        self.f_predict = None

        self._init_exprs()
        self.step = 1.0
        self.noise = 1.0
        self.triuind = (np.arange(23)[:, np.newaxis] <= np.arange(23)[np.newaxis, :]).flatten()
        self.max = 0
        for _ in range(10):
            self.max = np.maximum(max, self.realize(E).max(axis=0))   

    def transformedData(self, traindata):
        E = traindata
        X = self.expand(self.realize(E))
        return X

   def realize(self, X):
       **same as above**

   def expand(self, X):
      **same as above**

类模型（对象）：
定义初始化（自身、n_输入、n_隐藏、n_输出、序列数据、，
隐藏转移、外转移、损失、，
imp_重量=错误，
优化器='adam'，
批次大小=无，
最大值=1000，详细值=False）：
self.dim\u max=self.transformedData（列车数据）
self.n\u inpt=self.dim\u max.shape[1]
self.n_hiddens=n_hiddens
self.n_输出=n_输出
self.hidden\u传输=hidden\u传输
self.out\u transfer=out\u transfer
自我损失识别=损失
self.optimizer=优化器
self.batch\u size=批次大小
self.imp\u weight=imp\u weight
self.max\u iter=max\u iter
self.verbose=verbose
self.f_predict=无
self._init_exprs（）
self.step=1.0
自噪声=1.0
self.triuind=（np.arange（23）[：，np.newaxis]错误消息
TypeError:unsupported operation type for+：“builtin\u function\u或\u method”和“float”
的意思完全相同。您正在尝试添加浮点数和内置函数（不是函数的结果，而是实际函数）

这要么意味着您有输入错误（即：调用函数时忘记添加
（）
），要么您假设变量包含一个值，而实际上它是对内置函数的引用

错误消息
AttributeError:“Mlp”对象没有属性“noise”
的字面意思也是这样。您有一个名为
Mlp
的对象，您试图访问
noise
属性，但它没有
noise
属性

解决这些问题的第一步是验证您自己的假设。最简单的方法是在导致错误的行之前添加一条print语句，以便您可以看到失败代码中使用的值。
我认为您的第一个错误是由以下行引起的：

for _ in range(10):
    self.max = np.maximum(max, self.realize(E).max(axis=0))

传递给您的
max
调用
np.max
可能是内置的
max
函数，而不是我认为您打算使用的数字
self.max
。在Python 2中，非数值对象始终可以与其他类对象进行比较，尽管结果是任意的（但一致）

您的第二个错误与您在
\uuu init\uuu
中设置属性的顺序有关。您在函数中设置
self.noise
的时间很晚。在此之前，您调用
self.transformdData
，它调用
self.realize
，它试图访问尚不存在的
self.noise
。如果您重新在分配作业时，您应该避免此错误。
这些错误是从哪里来的，在哪些行中？错误消息应该告诉您行号。请在您的问题中包含这些信息。我已更新错误消息您的代码无法运行。它似乎取决于名为
np
的全局变量。np只不过是imnpI尝试浮动时的端口numpy（self.max[i]）+self.step，但它不起作用对不起，您的回答比较笼统，您能说得更具体一些吗。@prime:不，因为您的代码无法按发布的方式运行。当我试图修复某些问题时，我会遇到与您报告的错误不同的错误。请按照我在回答中的建议执行-验证您的假设。那么，您是否建议我为m使用不同的变量名ax？第二个问题的解决方案很有帮助。我认为您需要
self.max
而不仅仅是
max
。普通
max
是导致错误消息的内置函数。
self.max
最初是
0
，当您向它添加浮点时，它应该可以正常工作。
Class Model(Object):    

     def __init__(self, n_inpt, n_hiddens, n_output, train_data,
                 hidden_transfers, out_transfer, loss,
                 imp_weight=False,
                 optimizer='adam',
                 batch_size=None,
                 max_iter=1000, verbose=False):

        self.dim_max = self.transformedData(train_data)
        self.n_inpt = self.dim_max.shape[1]
        self.n_hiddens = n_hiddens
        self.n_output = n_output
        self.hidden_transfers = hidden_transfers
        self.out_transfer = out_transfer
        self.loss_ident = loss
        self.optimizer = optimizer
        self.batch_size = batch_size
        self.imp_weight = imp_weight

        self.max_iter = max_iter
        self.verbose = verbose

        self.f_predict = None

        self._init_exprs()
        self.step = 1.0
        self.noise = 1.0
        self.triuind = (np.arange(23)[:, np.newaxis] <= np.arange(23)[np.newaxis, :]).flatten()
        self.max = 0
        for _ in range(10):
            self.max = np.maximum(max, self.realize(E).max(axis=0))   

    def transformedData(self, traindata):
        E = traindata
        X = self.expand(self.realize(E))
        return X

   def realize(self, X):
       **same as above**

   def expand(self, X):
      **same as above**

for _ in range(10):
    self.max = np.maximum(max, self.realize(E).max(axis=0))