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.
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
Produsul matricial A @ B are sens doar dacă dimensiunea interioară se potrivește: dacă A are forma (n, k), B trebuie să înceapă cu k. Mesajul îți spune exact ce nu se potrivește: 2 (dim 1) este numărul de coloane al lui (4,2), iar 4 (dim 0) este lungimea lui (4,).
În ML, cel mai des apare la gradient descent scris de mână. Erorile modelului (erori = X @ w - y) au câte o valoare pentru fiecare exemplu, adică forma (n,). Gradientul are câte o valoare pentru fiecare pondere, deci se calculează cu X.T @ erori: (k, n) @ (n,) dă (k,). Dacă uiți .T, primești exact eroarea asta.
Cu operatorul @ mesajul arată altfel („matmul: Input operand 1 has a mismatch in its core dimension 0”), dar cauza e aceeași.
De ce apare: cauzele frecvente
1Lipsește transpunerea la gradient
erori = X @ w - y
grad = 2 / len(y) * np.dot(X, erori)erori = X @ w - y
grad = 2 / len(y) * np.dot(X.T, erori)X.T are forma (k, n), deci se poate înmulți cu erorile (n,) și dă câte o valoare pentru fiecare pondere.
2Ordinea operanzilor e inversată
pred = np.dot(w, X) # w: (2,), X: (4, 2)pred = np.dot(X, w) # (4, 2) @ (2,) -> (4,)La produsul matricial ordinea contează. Rândurile lui X sunt exemplele, deci X vine primul.
3Ecuația normală scrisă greșit
w = np.linalg.inv(X.T @ X) @ X @ yw = np.linalg.inv(X.T @ X) @ X.T @ yFormula este (XᵀX)⁻¹ Xᵀ y. Fără al doilea .T, dimensiunile nu se mai potrivesc.
Repară eroarea, direct în pagină
Codul de mai jos face un pas de gradient descent și dă ValueError: shapes (4,2) and (4,) not aligned. Repară calculul gradientului (are nevoie de transpusa lui X), ca programul să afișeze gradientul și ponderile după un pas.
import numpy as np
# coloana de 1 (bias), ore de studiu
X = np.array([[1.0, 1.0], [1.0, 2.0], [1.0, 3.0], [1.0, 4.0]])
y = np.array([5.0, 6.0, 8.0, 9.0])
w = np.zeros(2)
erori = X @ w - y
grad = 2 / len(y) * np.dot(X, erori)
w = w - 0.1 * grad
print("Gradient:", grad.tolist())
print("Ponderi:", w.tolist())Gradient: [-14.0, -38.5] Ponderi: [1.4000000000000001, 3.85]
Indiciu
Gradientul se calculează cu np.dot(X.T, erori).
Reparația
import numpy as np
# coloana de 1 (bias), ore de studiu
X = np.array([[1.0, 1.0], [1.0, 2.0], [1.0, 3.0], [1.0, 4.0]])
y = np.array([5.0, 6.0, 8.0, 9.0])
w = np.zeros(2)
erori = X @ w - y
grad = 2 / len(y) * np.dot(X.T, erori)
w = w - 0.1 * grad
print("Gradient:", grad.tolist())
print("Ponderi:", w.tolist())De ce merge
Erorile au câte o valoare pentru fiecare dintre cele 4 exemple, iar gradientul trebuie să aibă câte o valoare pentru fiecare dintre cele 2 ponderi. X.T are forma (2, 4), deci X.T @ erori dă exact un vector de 2 valori. Pasul de învățare 0.1 mută apoi ponderile în direcția opusă gradientului.
Alte forme ale mesajului
ValueError: matmul: Input operand 1 has a mismatch in its core dimension 0, with gufunc signature (n?,k),(k,m?)->(n?,m?) (size 4 is different from 2)ValueError: shapes (100,3) and (100,) not aligned: 3 (dim 1) != 100 (dim 0)ValueError: shapes (2,) and (4,2) not aligned: 2 (dim 0) != 4 (dim 0)
Cum o eviți pe viitor
Înainte de fiecare produs matricial, scrie formele pe hârtie sau în comentariu: (n, k) @ (k,) -> (n,) pentru predicții și (k, n) @ (n,) -> (k,) pentru gradient. Pune assert grad.shape == w.shape după calculul gradientului. Testează funcția pe un X mic, cu un număr de rânduri diferit de numărul de coloane: dacă sunt egale, greșelile de transpunere trec neobservate.
Întrebări frecvente
De ce codul mergea pe alte date?
Dacă X are tot atâtea rânduri câte coloane (de exemplu 3 x 3), X @ erori merge, dar dă un rezultat greșit. Eroarea apare abia când formele diferă.
np.dot și @ sunt același lucru?
Pentru array-uri 1D și 2D, da. Diferă doar mesajul de eroare și comportamentul la array-uri cu mai mult de 2 dimensiuni.
Erori înrudite
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. ValueError: Incompatible dimension for X and Y matrices: X.shape[1] == 3 while Y.shape[1] == 2 Funcțiile de distanță și similaritate (cosine_similarity, euclidean_distances, pairwise_distances) compară vectori cu același număr de coloane, iar ai tăi au număr diferit. Construiește ambele matrici din aceleași coloane, în aceeași ordine, de exemplu cu reindex(columns=...). 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. 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.
