0

我正在尝试AND使用 python 中的 Theano 库通过神经网络实现操作。这是我的代码:

import theano
import theano.tensor as T
import numpy as np
import matplotlib.pyplot as plt

#Define variables:
x = T.matrix('x')
w1 = theano.shared(np.random.uniform(0,1,(3,3)))
w2 = theano.shared(np.random.uniform(0,1,(1,3)))

learning_rate = 0.01

#Define mathematical expression:c for forward pass
z1 = T.dot(x,w1)
a1 = 1/(1+T.exp(-z1))
z2 = T.dot(a1,w2.T)
a2 = 1/(1 + T.exp(-z2))
#Let’s determine the cost as follows:
a_hat = T.vector('a_hat') #Actual output
cost = -(a_hat*T.log(a2) + (1-a_hat)*T.log(1-a2)).sum()
dw2,dw1 = T.grad(cost,[w2,w1])

train = theano.function(
inputs = [x,a_hat],
outputs = [a2,cost],
updates = [
    [w1, w1-learning_rate*dw1],
    [w2, w2-learning_rate*dw2]
]
)

#Define inputs and weights
inputs = np.array([
 [0, 0],
 [0, 1],
 [1, 0],
 [1, 1]
])

inputs = np.append( np.ones((inputs.shape[0],1)), inputs, axis=1)

outputs = np.array([0,0,0,1]).T

#Iterate through all inputs and find outputs:
cost = []
for iteration in range(30000):
    pred, cost_iter = train(inputs, outputs)
    cost.append(cost_iter)

我无法追溯错误ValueError: Dimension mismatch; shapes are (*, *), (*, 4), (4, 1), (*, *), (*, 4), (4, 1) Apply node that caused the error:。即使我改变了权重向量的维度w1w2,误差仍然是一样的。我是 Theano 的新手,对调试它不太了解。有人可以帮我吗?谢谢。

4

1 回答 1

0

您的输入尺寸不匹配,您可以在错误消息中看到:

ValueError: Input dimension mis-match. (input[1].shape[1] = 4, input[2].shape[1] = 1)

更准确地说:

Inputs values: [array([[-1.]]), array([[ 0.,  0.,  0.,  1.]]), array([[-1.13961476],
       [-1.28500784],
       [-1.3082276 ],
       [-1.4312266 ]]), array([[-1.]]), array([[ 1.,  1.,  1.,  0.]]), array([[ 1.13961476],
       [ 1.28500784],
       [ 1.3082276 ],
       [ 1.4312266 ]])]

你可以在 XOR 神经网络上获得灵感,这里已经处理了这个例子,通过这个教程将帮助你理解 theano。

当我第一次尝试使用 theano 时,我也遇到了困难。很少有例子和教程。也许你也可以查看Lasagne,它是一个基于 Theano 的库,但我觉得它更容易掌握。

我希望这能帮到您。

[编辑]

使用以下标志来帮助您找到错误的来源

theano.config.exception_verbosity='high'
theano.config.optimizer='None'

在您的情况下,我们可以在输出中找到这些有趣的行:

Backtrace when the node is created(use Theano flag traceback.limit=N to make it longer):
  File "SO.py", line 30, in <module>
    cost = -(a_hat*T.log(a2) + (1-a_hat)*T.log(1-a2)).T.sum()

所以,这里是我们想要的权重:

w1 = theano.shared(np.random.uniform(0,1,(3,3)))
w2 = theano.shared(np.random.uniform(0,1,(3,1)))

有了这个成本函数:

cost = -(a_hat*T.log(a2.T) + (1-a_hat)*T.log(1-a2.T)).sum()

这样我们得到形状为 (4,3) 的 a1(与第一层输入相同)和 a2 (4,1) 作为预期输出。

x * w1 = (4,3) * (3,3) = (4,3) = a1.shape

a1 * w2 = (4,3) * (3,1) = (4,1) = a2.shape

您还必须添加这一行:

from random import random

它将为您提供 30000 次迭代:

The outputs of the NN are:
The output for x1=0 | x2=0 is 0.0001
The output for x1=0 | x2=1 is 0.0029
The output for x1=1 | x2=0 is 0.0031
The output for x1=1 | x2=1 is 0.9932
于 2017-04-17T09:48:47.040 回答