typeError：__array_prepare__

Question

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。我的密码在下面。

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，我遇到了一个错误：array_prepare必须返回一个ndarray或它的子类，否则它的输入是相同的。

我知道以前有一个问题得到了回答( error)，但是它对我没有多大帮助。我非常感谢你的帮助。谢谢

Answer 1

我已经调试了您的代码，有几个错误：

1)而不是使用：

y =  [x / norm_fac for x in g]  

你可以直接计算y：

y_in = g_in / norm_fac    

这解决了计算y - output时的错误。

2)现在，这一行引起了一个问题：

self.w_[1:] += self.eta * X[0:].T.dot(errors)   

由于您想要访问w_的第一个元素，所以必须使用w_[1]。您所使用的是从第一个元素开始的w_的所有元素。

类似地，X[0:]是不必要的，因为它返回X的所有元素。只需使用X：

self.w_[1] += self.eta * X.T.dot(errors)

3)你不应该用

(errors\*\*2).sum()  

计算平方误差之和。errors**2试图将错误与自身相乘，因为错误是一个向量，因此它会产生一个错误。相反，您必须使用numpy.power来获得元素方面的能力：

np.power(errors, 2)  

也用于更好的实践：

1)将主代码放在末尾，并重命名变量。您将y作为全局变量(在顶部定义)和作为输入变量，这将导致阴影。

2)定义初始化过程中所有与类相关的变量。

3)使用小写变量名。

4)您可以使用x*y代替x.dot(y)，这与使用numpy的操作相同。

5)最后打印一些结果。

考虑到这些，并遵循Python格式设置准则，我已经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能实现你想要的。你必须一步一步地控制逻辑。

P.S.：我建议使用PyCharm开发Python。