二维list 无法转为二维的numpy.array?

一个合法的list转为numpy的array很简单,例子如下:

import numpy as np

x=[[1,2],[2,3]]

x=np.array(x)

print x.shape


打印输为(2,2),


今天我就遇到一个问题,我从文件中读入了一个二维数组,但它死活转不numpy的二维数组,一直都只能转为一维数组。

这让我很郁闷烦了了我一晚上,今天我尝试着先把二维数组的每一维都转为(1,n)的二维数组,然后将这些二维数组合并为二维数组。

最终发现了原因!原来是数组不匹配!!!也就是有某几行数据的列数与其他行的不同(比他们的列数少),例如[[1,2,3],[2,3,1],[1,2]],这里第三行的列数就比一二行的少。这时候你直接调用np.array(),它就只能转为一维数组了。

这是个坑,之后遇到这问题,一定要检查读入的数据的行列是否匹配!!!



  • 41
    点赞
  • 16
    收藏
    觉得还不错? 一键收藏
  • 8
    评论
以下是对代码的注释: ```python import numpy import scipy.special class NeuralNetwork(): def __init__(self,inputnodes,hiddennodes,outputnodes,learningrate): # 初始化神经网络的输入层、隐藏层、输出层的节点数以及学习率 self.inodes = inputnodes self.hnodes = hiddennodes self.onodes = outputnodes self.lr = learningrate # 初始化输入层到隐藏层和隐藏层到输出层的权重 # 对权重进行随机初始化,取值范围为均值为0,标准差为节点数的负平方根 self.wih = numpy.random.normal(0.0, pow(self.hnodes, -0.5), (self.hnodes, self.inodes)) self.who = numpy.random.normal(0.0, pow(self.onodes, -0.5), (self.onodes, self.hnodes)) # 定义激活函数为 sigmoid 函数 self.activation_function = lambda x: scipy.special.expit(x) def train(self,input_list,target_list): # 将输入列表和目标列表换为二维数组 inputs = numpy.array(input_list, ndmin=2).T targets = numpy.array(target_list, ndmin=2).T # 计算隐藏层的输入和输出 hidden_inputs = numpy.dot(self.wih, inputs) hidden_outputs = self.activation_function(hidden_inputs) # 计算输出层的输入和输出 final_inputs = numpy.dot(self.who, hidden_outputs) final_outputs = self.activation_function(final_inputs) # 计算输出层误差和隐藏层误差 output_errors = targets - final_outputs hidden_errors = numpy.dot(self.who.T, output_errors) # 更新隐藏层到输出层和输入层到隐藏层的权重 self.who += self.lr * numpy.dot((output_errors * final_outputs * (1.0 - final_outputs)), numpy.transpose(hidden_outputs)) self.wih += self.lr * numpy.dot((hidden_errors * hidden_outputs * (1.0 - hidden_outputs)), numpy.transpose(inputs)) def query(self,input_list): # 将输入列表换为二维数组 inputs = numpy.array(input_list, ndmin=2).T # 计算隐藏层的输入和输出 hidden_inputs = numpy.dot(self.wih, inputs) hidden_outputs = self.activation_function(hidden_inputs) # 计算输出层的输入和输出 final_inputs = numpy.dot(self.who, hidden_outputs) final_outputs = self.activation_function(final_inputs) # 返回最终输出 return final_outputs # 创建神经网络实例 input_nodes = 3 hidden_nodes = 3 output_nodes = 3 learning_rate = 0.3 n = NeuralNetwork(input_nodes,hidden_nodes,output_nodes,learning_rate) # 使用训练数据进行训练 training_data = [[0.1, 0.2, 0.3], [0.4, 0.5, 0.6], [0.7, 0.8, 0.9]] for data in training_data: n.train(data, data) # 使用测试数据进行测试 test_data = [0.2, 0.5, 0.8] print(n.query(test_data)) ``` 这个神经网络实现了一个简单的自编码器,训练数据和测试数据都是由一些简单的数字组成。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 8
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值