Python 具有（Nx1）矩阵和长度为N的向量的Numpy行加法

我试图用这行代码更新神经网络中的权重：

self.l1weights[0] = self.l1weights[0] + self.learning_rate * l1error

这会导致值错误：

ValueError: could not broadcast input array from shape (7,7) into shape (7)

打印learning_rate*错误和权重返回如下内容：

[[-0.00657573]
 [-0.01430752]
 [-0.01739463]
 [-0.00038115]
 [-0.01563393]
 [-0.02060908]
 [-0.01559269]]
[  4.17022005e-01   7.20324493e-01   1.14374817e-04   3.02332573e-01
   1.46755891e-01   9.23385948e-02   1.86260211e-01]

[[  4.10446271e-01   7.13748760e-01  -6.46135890e-03   2.95756839e-01
    1.40180157e-01   8.57628611e-02   1.79684478e-01]
 [  4.02714481e-01   7.06016970e-01  -1.41931487e-02   2.88025049e-01
    1.32448367e-01   7.80310713e-02   1.71952688e-01]
 [  3.99627379e-01   7.02929868e-01  -1.72802505e-02   2.84937947e-01
    1.29361266e-01   7.49439695e-02   1.68865586e-01]
 [  4.16640855e-01   7.19943343e-01  -2.66775370e-04   3.01951422e-01
    1.46374741e-01   9.19574446e-02   1.85879061e-01]
 [  4.01388075e-01   7.04690564e-01  -1.55195551e-02   2.86698643e-01
    1.31121961e-01   7.67046648e-02   1.70626281e-01]
 [  3.96412924e-01   6.99715412e-01  -2.04947062e-02   2.81723492e-01
    1.26146810e-01   7.17295137e-02   1.65651130e-01]
 [  4.01429313e-01   7.04731801e-01  -1.54783174e-02   2.86739880e-01
    1.31163199e-01   7.67459026e-02   1.70667519e-01]]

很明显，在本例中，权重初始化为长度为7的向量，误差初始化为7x1矩阵。我希望加法也会返回一个7x1矩阵或向量，但它会生成一个7x7矩阵，如下所示：

[[-0.00657573]
 [-0.01430752]
 [-0.01739463]
 [-0.00038115]
 [-0.01563393]
 [-0.02060908]
 [-0.01559269]]
[  4.17022005e-01   7.20324493e-01   1.14374817e-04   3.02332573e-01
   1.46755891e-01   9.23385948e-02   1.86260211e-01]

[[  4.10446271e-01   7.13748760e-01  -6.46135890e-03   2.95756839e-01
    1.40180157e-01   8.57628611e-02   1.79684478e-01]
 [  4.02714481e-01   7.06016970e-01  -1.41931487e-02   2.88025049e-01
    1.32448367e-01   7.80310713e-02   1.71952688e-01]
 [  3.99627379e-01   7.02929868e-01  -1.72802505e-02   2.84937947e-01
    1.29361266e-01   7.49439695e-02   1.68865586e-01]
 [  4.16640855e-01   7.19943343e-01  -2.66775370e-04   3.01951422e-01
    1.46374741e-01   9.19574446e-02   1.85879061e-01]
 [  4.01388075e-01   7.04690564e-01  -1.55195551e-02   2.86698643e-01
    1.31121961e-01   7.67046648e-02   1.70626281e-01]
 [  3.96412924e-01   6.99715412e-01  -2.04947062e-02   2.81723492e-01
    1.26146810e-01   7.17295137e-02   1.65651130e-01]
 [  4.01429313e-01   7.04731801e-01  -1.54783174e-02   2.86739880e-01
    1.31163199e-01   7.67459026e-02   1.70667519e-01]]

Numpy.sum还返回相同的7x7矩阵。有没有一种方法可以解决这个问题，而无需显式重塑？输出大小是可变的，这是一个特定于输出大小为1时的问题。

将（7，）数组（命名为

a

）与（1,7）数组（命名为

b

）相加时，会发生广播并生成（7,7）数组。如果您只想逐元素添加，请将它们保持在相同的形状。

a+b.flant（）

给出了（7，）<代码>展平将所有维度折叠为一个维度。这会将结果保留为一行。

a.重塑（-1,1）+b

给出（1,7）<代码>-1中的

重塑

需要

numpy

来确定给定其他维度的元素数量。这会将结果保留为一列

a = np.arange(7)                          # row
b = a.reshape(-1, 1)                      # column

print((a + b).shape)                      # (7, 7)
print((a + b.flatten()).shape)            # (7,)
print((a.reshape(-1, 1) + b).shape)       # (7, 1)

在您的情况下，

a

和

b

将分别是

self.l1weights[0]

和

self.learning\u rate*l1error

。

。如果您只想逐元素添加，请将它们保持在相同的形状。

a+b.flant（）

给出了（7，）<代码>展平将所有维度折叠为一个维度。这会将结果保留为一行。

a.重塑（-1,1）+b

给出（1,7）<代码>-1中的

重塑

需要

numpy

来确定给定其他维度的元素数量。这会将结果保留为一列

a = np.arange(7)                          # row
b = a.reshape(-1, 1)                      # column

print((a + b).shape)                      # (7, 7)
print((a + b.flatten()).shape)            # (7,)
print((a.reshape(-1, 1) + b).shape)       # (7, 1)

在您的情况下，

a

和

b

将分别是

self.l1权重[0]

和

self.learning\u rate*l1错误

。

a（7，）可以广播到（1,7）和（7,7）。您已经明确地将其设置为（7,1）。也就是说，前导

None

是自动的，尾随则不是。A（7，）可以广播到（1,7）并继续广播到（7,7）。您已经明确地将其设置为（7,1）。也就是说，前导

None

是自动的，尾随不是。