Python 类型错误:\数组\准备__
我试图通过使用逻辑激活函数的增量学习规则来实现单个神经元。我的代码如下Python 类型错误:\数组\准备__,python,numpy,neural-network,Python,Numpy,Neural Network,我试图通过使用逻辑激活函数的增量学习规则来实现单个神经元。我的代码如下 import numpy as np X = np.matrix('2; 4; 6; 8; 10; 15; 20; 25; 30; 40; 50; 60') g = np.matrix('4.32323; 4.96276; 5.45565; 6.27151; 6.8552; 8.64987; 10.32581; 12.21393; 14.45659; 15.87602; 15.82488; 16.19419') norm_
import numpy as np
X = np.matrix('2; 4; 6; 8; 10; 15; 20; 25; 30; 40; 50; 60')
g = np.matrix('4.32323; 4.96276; 5.45565; 6.27151; 6.8552; 8.64987; 10.32581; 12.21393; 14.45659; 15.87602; 15.82488; 16.19419')
norm_fac=16.19419
y = [x / norm_fac for x in g]
class SingleNeuron (object):
def __init__(self, eta=0.01, n_iter=10):
self.eta=eta
self.n_iter=n_iter
def fit (self, X, y):
self.w_ = np.zeros (X.shape[1]+1)
self.cost_ = []
for i in range (self.n_iter):
output = self.net_input(X)
errors = (y - output)
self.w_[1:] += self.eta * X[0:].T.dot(errors)
self.w_[0] += self.eta * errors.sum ()
cost = (errors**2).sum() / 2.0
self.cost_.append(cost)
return self
def net_input(self, X):
return 1/(1+ np.exp (-(np.dot(X, self.w_[1]) + self.w_[0])))
def predict(self, X):
return self.net_input(X)
SN = SingleNeuron (eta = 0.1, n_iter = 10)
SN.fit (X, y)
但是,当我运行代码时,我遇到了错误:
数组\u prepare必须返回与其输入相同的数据数组或其子类
我知道在()之前有一个问题得到了回答,但这对我帮助不大。我非常感谢任何帮助。谢谢你我已经调试了你的代码,有几个错误: 1) 而不是使用:
y = [x / norm_fac for x in g]
您可以直接计算y:
y_in = g_in / norm_fac
这解决了计算y-输出时出现的错误
2) 现在,这一行导致了一个问题:
self.w_[1:] += self.eta * X[0:].T.dot(errors)
由于要访问w_
的第一个元素,必须使用w_[1]
。您使用的是从第1个元素开始的w
的所有元素
类似地,X[0://code>是不必要的,因为它返回X
的所有元素。只需使用X
即可:
self.w_[1] += self.eta * X.T.dot(errors)
3) 你不应该使用
(errors\*\*2).sum()
计算误差平方和<代码>错误**2
尝试将错误与自身相乘,并给出一个错误,因为错误是一个向量。相反,您必须使用numpy.power来获得元素级权限:
np.power(errors, 2)
为了更好地练习:
1) 将主代码放在末尾并重命名变量。将y作为全局变量(在顶部定义)和输入变量,这会导致阴影
2) 在初始化中定义所有与类相关的变量
3) 使用小写的变量名
4) 您可以使用x*y而不是x.dot(y),因为您使用的是numpy,所以操作相同
5) 最后打印一些结果
考虑到这些以及以下Python PEP8格式指南,我将您的代码更改如下:
import numpy as np
class SingleNeuron (object):
def __init__(self, eta=0.01, n_iter=10):
self.eta = eta
self.n_iter = n_iter
self.w_ = []
self.cost_ = []
def fit(self, x, y):
self.w_ = np.zeros(x.shape[1]+1)
self.cost_ = []
for i in range(self.n_iter):
output = self.net_input(x)
errors = (y - output)
self.w_[1] += self.eta * x.T * errors
self.w_[0] += self.eta * errors.sum()
cost = np.power(errors, 2).sum() / 2
self.cost_.append(cost)
return self
def net_input(self, x):
return 1 / (1 + np.exp(-((x * self.w_[1]) + self.w_[0])))
def predict(self, x):
return self.net_input(x)
norm_fac = 16.19419
x_in = np.matrix('2; 4; 6; 8; 10; 15; 20; 25; 30; 40; 50; 60')
g_in = np.matrix('4.32323; 4.96276; 5.45565; 6.27151; 6.8552; 8.64987; 10.32581; 12.21393; 14.45659; 15.87602; '
'15.82488; 16.19419')
y_in = g_in / norm_fac
SN = SingleNeuron(eta=0.1, n_iter=10)
SN = SN.fit(x_in, y_in)
print SN.w_
print SN.cost_
我不确定这段代码是否符合你的要求。你必须一步一步地控制逻辑
附言:我建议在Python中使用PyCharm进行开发。尝试在第四行之后打印y
。这是你期望的吗?谢谢你的评论。我期望的是使用y值来计算错误,然后修改ws,直到y和输出之间的错误最小化。我指的是y
的格式。它不返回一个列表,而是一个矩阵列表,比如:[matrix([[0.26696179]])、matrix([[0.30645312]])、…
。这就是您想要它做的吗?噢……很抱歉误解了。不,这不是我想要做的,我通过更改第4行y=g/norm\u fac来更正该部分。但是,现在我在第29行遇到了一个新错误(ValueError:形状为(1,)的不可广播输出操作数与广播形状(1,1)不匹配。我不确定是否需要将此作为另一个问题发布。再次感谢您的帮助。我将尝试通过打印中间输出来解决此问题,包括查看类型<代码>打印y,类型(y)
等。很明显,=
左右两侧的类型应该是可组合的。您可以编辑您的问题。本节中的注释旨在细化问题,直到其定义非常明确,并且问答对其他人有用为止。