我最近开始跟随Siraj Raval在YouTube上的深度学习教程进行学习，但在尝试运行我的代码时出现了一个错误。这段代码来自于他系列的第二集，如何制作一个神经网络。当我运行代码时，出现了以下错误：

Traceback (most recent call last):File "C:\Users\dpopp\Documents\Machine Learning\first_neural_net.py", line 66, in <module>neural_network.train(training_set_inputs, training_set_outputs, 10000)File "C:\Users\dpopp\Documents\Machine Learning\first_neural_net.py", line 44, in trainself.synaptic_weights += adjustmentValueError: non-broadcastable output operand with shape (3,1) doesn't match the broadcast shape (3,4)

我多次检查了他的代码，找不到任何差异，甚至尝试从GitHub链接中复制粘贴他的代码。这是我目前的代码：

from numpy import exp, array, random, dotclass NeuralNetwork():    def __init__(self):        # 初始化随机数生成器，以便每次运行程序时生成相同的数字        random.seed(1)        # 我们模型化一个单一神经元，具有3个输入连接和1个输出连接。        # 我们为3 x 1的矩阵分配随机权重，值在-1到1之间，平均值为0。        self.synaptic_weights = 2 * random.random((3, 1)) - 1    # Sigmoid函数，描述一个S形曲线。    # 我们通过这个函数传递输入的加权和，以将它们归一化为0到1之间。    def __sigmoid(self, x):        return 1 / (1 + exp(-x))    # Sigmoid函数的导数。    # 这是Sigmoid曲线的梯度。    # 它表示我们对现有权重的信心程度。    def __sigmoid_derivative(self, x):        return x * (1 - x)    # 我们通过反复试错来训练神经网络。    # 每次调整突触权重。    def train(self, training_set_inputs, training_set_outputs, number_of_training_iterations):        for iteration in range(number_of_training_iterations):            # 将训练集通过我们的神经网络（单个神经元）。            output = self.think(training_set_inputs)            # 计算误差（期望输出与预测输出之间的差异）。            error = training_set_outputs - output            # 将误差乘以输入，再次乘以Sigmoid曲线的梯度。            # 这意味着信心较低的权重会进行更多的调整。            # 这意味着输入为零时，不会导致权重变化。            adjustment = dot(training_set_inputs.T, error * self.__sigmoid_derivative(output))            # 调整权重。            self.synaptic_weights += adjustment    # 神经网络思考。    def think(self, inputs):        # 将输入通过我们的神经网络（我们的单个神经元）。        return self.__sigmoid(dot(inputs, self.synaptic_weights))if __name__ == '__main__':    # 初始化一个单神经元神经网络    neural_network = NeuralNetwork()    print("随机初始突触权重:")    print(neural_network.synaptic_weights)    # 训练集。我们有4个例子，每个例子由3个输入值和1个输出值组成。    training_set_inputs = array([[0, 0, 1], [1, 1, 1], [1, 0, 1], [0, 1, 1]])    training_set_outputs = array([[0, 1, 1, 0]])    # 使用训练集训练神经网络    # 进行10,000次训练，每次进行小的调整    neural_network.train(training_set_inputs, training_set_outputs, 10000)    print("训练后的新突触权重:")    print(neural_network.synaptic_weights)    # 使用新情况测试神经网络    print("考虑新情况 [1, 0, 0] -> ?:")    print(neural_network.think(array([[1, 0, 0]])))

即使我复制粘贴了Siraj那一集中运行正常的相同代码，我仍然得到相同的错误。

我刚刚开始研究人工智能，不明白这个错误的含义。能有人解释一下它是什么意思以及如何修复吗？谢谢！

回答：

将 self.synaptic_weights += adjustment 更改为

self.synaptic_weights = self.synaptic_weights + adjustment

self.synaptic_weights 必须具有形状(3,1)，而 adjustment 必须具有形状(3,4)。虽然这些形状是可广播的，但numpy似乎不喜欢尝试将形状为(3,4)的结果赋值给形状为(3,1)的数组

a = np.ones((3,1))b = np.random.randint(1,10, (3,4))>>> aarray([[1],       [1],       [1]])>>> barray([[8, 2, 5, 7],       [2, 5, 4, 8],       [7, 7, 6, 6]])>>> a + barray([[9, 3, 6, 8],       [3, 6, 5, 9],       [8, 8, 7, 7]])>>> b += a>>> barray([[9, 3, 6, 8],       [3, 6, 5, 9],       [8, 8, 7, 7]])>>> aarray([[1],       [1],       [1]])>>> a += bTraceback (most recent call last):  File "<pyshell#24>", line 1, in <module>    a += bValueError: non-broadcastable output operand with shape (3,1) doesn't match the broadcast shape (3,4)

使用numpy.add并指定a作为输出数组时，也会发生相同的错误

>>> np.add(a,b, out = a)Traceback (most recent call last):  File "<pyshell#31>", line 1, in <module>    np.add(a,b, out = a)ValueError: non-broadcastable output operand with shape (3,1) doesn't match the broadcast shape (3,4)>>> 

需要创建一个新的a

>>> a = a + b>>> aarray([[10,  4,  7,  9],       [ 4,  7,  6, 10],       [ 9,  9,  8,  8]])>>>