ValueError: operands could not be broadcast together with shapes (3,2) (3,)
Ai înmulțit (sau adunat) două array-uri numpy ale căror forme nu se potrivesc, de exemplu un X cu 2 coloane și un vector de 3 ponderi. Pentru predicții liniare folosește produsul matricial X @ w, iar numărul de ponderi trebuie să fie egal cu numărul de coloane din X.
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
Operațiile *, +, - din numpy se fac element cu element. Când formele diferă, numpy încearcă broadcasting: compară dimensiunile de la dreapta spre stânga și le acceptă doar dacă sunt egale sau una dintre ele e 1. Aici X are forma (3, 2) (3 rânduri, 2 coloane), iar ultimul operand (3,): ultima dimensiune, 2 față de 3, nu se potrivește.
În codul de machine learning scris de mână, eroarea apare aproape mereu la regresia liniară sau la gradient descent: vectorul de ponderi include și termenul liber (bias), dar în X nu ai adăugat coloana de 1, sau ai folosit * unde voiai produs matricial.
Citește formele din mesaj și afișează X.shape și w.shape chiar înainte de linia cu eroarea. Regula la predicții: X are forma (n, k), w are forma (k,), iar X @ w dă (n,).
De ce apare: cauzele frecvente
1Bias în w, dar fără coloana de 1 în X
X = np.array([[1, 2], [2, 1], [3, 3]])
w = np.array([0.5, 1.0, 2.0]) # bias + 2 ponderi
pred = (X * w).sum(axis=1)X_b = np.c_[np.ones(len(X)), X]
pred = X_b @ wCu coloana de 1 la început, X are 3 coloane, câte una pentru fiecare pondere, iar @ face suma produselor pe fiecare rând.
2Ponderi pentru alt număr de trăsături
w = np.zeros(3)
pred = X * w # X are 2 coloanew = np.zeros(X.shape[1])
pred = X @ wConstruiește w din X.shape[1], nu dintr-un număr scris de mână, ca formele să rămână sincronizate.
3Erori calculate pe forme diferite
erori = X @ w - y.reshape(1, -1) # (3,) - (1, 4)erori = X @ w - y # ambele (n,)Predicțiile și țintele trebuie să aibă exact aceeași formă (n,) și același număr de rânduri.
Repară eroarea, direct în pagină
Codul de mai jos dă ValueError: operands could not be broadcast together with shapes (3,2) (3,). Vectorul w conține bias-ul și două ponderi, dar X are doar două coloane. Adaugă în X o coloană de 1 și calculează predicțiile cu @, ca programul să le afișeze.
import numpy as np
# suprafata (zeci de mp), camere
X = np.array([[5.0, 2.0], [6.0, 3.0], [8.0, 3.0]])
w = np.array([10.0, 15.0, 5.0]) # bias, pondere suprafata, pondere camere
pred = (X * w).sum(axis=1)
print("Predictii:", pred.tolist())Predictii: [95.0, 115.0, 145.0]
Indiciu
Folosește X_b = np.c_[np.ones(len(X)), X] și pred = X_b @ w.
Reparația
import numpy as np
# suprafata (zeci de mp), camere
X = np.array([[5.0, 2.0], [6.0, 3.0], [8.0, 3.0]])
w = np.array([10.0, 15.0, 5.0]) # bias, pondere suprafata, pondere camere
X_b = np.c_[np.ones(len(X)), X]
pred = X_b @ w
print("Predictii:", pred.tolist())De ce merge
np.c_[np.ones(len(X)), X] pune o coloană de 1 în fața lui X, deci forma devine (3, 3), la fel ca numărul de ponderi. Produsul X_b @ w calculează pentru fiecare rând 10 * 1 + 15 * suprafață + 5 * camere, de exemplu 10 + 75 + 10 = 95 pentru primul apartament.
Alte forme ale mesajului
ValueError: operands could not be broadcast together with shapes (100,3) (2,)ValueError: operands could not be broadcast together with shapes (4,) (5,)ValueError: operands could not be broadcast together with remapped shapes [original->remapped]: (3,2)->(3,2) (3,)->(3,newaxis)
Cum o eviți pe viitor
Scrie formele în comentarii lângă fiecare array (# X: (n, k), # w: (k,)) și verifică-le cu assert X.shape[1] == w.shape[0]. Pentru modele liniare, folosește @ (produs matricial), nu *. Adaugă coloana de bias o singură dată, într-o funcție. Atenție și la cazul invers: (n,) minus (n, 1) nu dă eroare, ci o matrice (n, n), care strică în tăcere calculele.
Întrebări frecvente
De ce (3,2) cu (2,) merge, dar cu (3,) nu?
Broadcasting-ul compară ultima dimensiune: 2 cu 2 e în regulă, deci fiecare rând se înmulțește cu vectorul. 2 cu 3 nu se potrivește.
Care e diferența dintre * și @?
* înmulțește element cu element. @ (sau np.dot) face produsul matricial: pentru fiecare rând din X, suma produselor cu ponderile.
Erori înrudite
ValueError: shapes (4,2) and (4,) not aligned: 2 (dim 1) != 4 (dim 0) np.dot (sau X @ v) cere ca numărul de coloane ale primului array să fie egal cu numărul de rânduri ale celui de-al doilea, iar aici 2 nu e egal cu 4. La gradient descent, gradientul se calculează cu X.T @ erori, nu cu X @ erori. ValueError: X has 3 features, but LinearRegression is expecting 2 features as input. Datele date la predict sau transform au alt număr de coloane decât cele de la fit (aici 3 în loc de 2). Datele noi trebuie să aibă exact aceleași caracteristici, în aceeași ordine, și să treacă prin aceleași transformări ca datele de antrenare. ValueError: Expected 2D array, got 1D array instead Modelul vrea X ca tabel 2D (rânduri = exemple, coloane = caracteristici), dar a primit o listă simplă 1D. Cu o singură caracteristică, folosește df[['suprafata']] (două paranteze) sau x.reshape(-1, 1); pentru un singur exemplu, [[50]]. Învață Machine Learning de la zero, cu exerciții la fiecare lecție
Curs Machine Learning și AI pentru începători: lecții scurte, fiecare cu un exercițiu verificat automat, direct în browser. Primele 15 lecții sunt gratuite.
