计算工作在numpy的阵列而不是在numpy的矩阵

from numpy import exp, array, random, dot, matrix, asarray 


class NeuralNetwork(): 
    def __init__(self): 
     random.seed(1) 

     self.synaptic_weights = 2 * random.random((3, 1)) - 1 # init weight from -1 to 1 

    def __sigmoid(self, x): 
     return 1/(1 + exp(-x)) 

    def __sigmoid_derivative(self, x): 
     return x * (1 - x) 

    def train(self, train_input, train_output, iter): 
     for i in range(iter): 
      output = self.think(train_input) 
      error = train_output - output 

      adjustment = dot(train_input.T, error * self.__sigmoid_derivative(output)) 

      self.synaptic_weights += adjustment 

    def think(self, inputs): 
     return self.__sigmoid(dot(inputs, self.synaptic_weights)) 




neural_network = NeuralNetwork() 

train = matrix([[0, 0, 1, 0],[1, 1, 1, 1],[1, 0, 1, 1],[0, 1, 1, 0]]) 
train_input = asarray(train[:, 0:3]) 
train_output = asarray(train[:,3]) 

neural_network.train(train_input, train_output, 10000)

该代码是一个基本的神经网络。当我使用asarray转换训练集时它运行良好，但它不起作用矩阵本身。这似乎矩阵不能计算sigmoid_derivative和终端显示ValueError: shapes (4,1) and (4,1) not aligned: 1 (dim 1) != 4 (dim 0)计算工作在numpy的阵列而不是在numpy的矩阵

为什么矩阵没有在代码工作？

来源

2017-02-21 jjwkdl

'np.matrix'是'np.array'（ndarray）的一个子类，看起来有点像MATLAB矩阵。它始终是2d，并使用'*'作为'dot'产品。如果你真的不需要使用它，坚持'数组。 x *（1-x）是元素乘积还是矩阵（点）乘积。除非'x'是正方形，否则会产生尺寸问题。 – hpaulj

因为'矩阵'会尝试使用矩阵乘法而不是元素乘法？ – mgilson

的错误是在

x * (1 - x)

表达。 x是（4,1）形状。使用数组元素乘以元素，此x*(1-x)工作正常，返回另一个（4,1）结果。

但是，如果x是（4,1）矩阵，那么*是矩阵积，对于数组而言是相同的np.dot。这将需要（4,1）*（1,4）=>（4,4）或（1,4）*（4,1）=>（1,1）。您已经使用dot作为矩阵产品，所以这个衍生物清楚地表明了元素明智。

如果您看到使用np.matrix的机器学习代码，则它可能基于较旧的示例，并保留matrix以实现向后兼容性。最好使用array，并根据需要使用dot产品。

来源

2017-02-21 05:00:39 hpaulj

计算工作在numpy的阵列而不是在numpy的矩阵

回答

相关问题