ニューラルネットワークに内の内積計算エラーを解決したい

Question

前提・実現したいこと

ディープラーニングを用いて、道路の復旧期間日数の予測モデルを構築しています。
説明変数6種類（道路の崩壊程度、道路盛土の高さ、崩壊車線数など）、目的変数1種類（復旧までの日数）としてニュラールネットワークを構築しています。

そのなかで、以下の行列の内積計算エラーメッセージが発生しました。

発生している問題・エラーメッセージ

ValueError                                Traceback (most recent call last)
<ipython-input-42-64c8b1648510> in <module>
      1 for i in range(epoch):
----> 2     for j in range(0, x_train.shape[0], batch_size): w1, b1, w2, b2, w3, b3 = learn(x_train[j:j + batch_size], t_train[j:j + batch_size], w1, b1, w2, b2, w3, b3, lr)
      3     # 学習 shape[００]は行の大きさを調べている．ここでは， ，77．よって 0~77の範囲でバッチサイズ文のステップ幅で数列を作成

<ipython-input-33-1c9a75ec0d92> in learn(x, t, w1, b1, w2, b2, w3, b3, lr)
     10 # 逆伝播 (勾配の計算を求め、重みの更新を行う部分 )
     11     dy = identity_mean_squared_error_back(y, t)
---> 12     dz2, dw3, db3 = affine_back(dy, z2, w3, b3)
     13     du2 = sigmoid_back(u2)
     14     dz1, dw2, db2 = affine_back(du2, z1, w2, b2)

<ipython-input-30-e9009ace5ac4> in affine_back(du, z, w, b)
      9 # affine変換勾配
     10 def affine_back(du, z, w, b):
---> 11     dz = np.dot(du, w.T)
     12     dw = np.dot(z.T, du)
     13     db = np.dot(np.ones(z.shape[0]).T, du)

ValueError: shapes (32,2) and (1,30) not aligned: 2 (dim 1) != 1 (dim 0)

該当のソースコード

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt
import matplotlib.pyplot as plt

# affine変換してる
def affine(z, w, b):
return np.dot(z, w) + b

# affine変換勾配
def affine_back(du, z, w, b):
dz = np.dot(du, w.T)
dw = np.dot(z.T, du)
db = np.dot(np.ones(z.shape[0]).T, du)
return dz, dw, db
def sigmoid(u):
return 1 / (1 + np.exp( u))

#活性化関数 シグモイド の 勾配，中間層の勾配
def sigmoid_back(u):
return (1 sigmoid(u)) * sigmoid(u)
def identity(u):
return u


#二乗和誤差：回帰問題
def squared_error(y, t):
return 0.5 * np.sum((y t) ** 2) / y.shape[0]


#誤差 二乗和誤差）＋活性化関数 恒等関数 の勾配
def identity_mean_s
quared_error_back(y, t):
return (y t) / y.shape[0]

#学習部分
def learn(x, t, w1, b1, w2, b2, w3, b3, lr):
#順伝播 入力データから、予測データを求めるまで
u1 = affine(x, w1, b1)
z1 = sigmoid(u1)
u2 = affine(z1, w2, b2)
z2 = sigmoid(u2)
u3 = affine(z2, w3, b3)
y = identity(u3)

#逆伝播 勾配の計算を求め、重みの更新を行う部分
dy = identity_mean_squared_error_back(y, t)
dz2, dw3, db3 = affine_back(dy, z2, w3, b3)
du2 = sigmoid_back(u2)
dz1, dw2, db2 = affine_back(du2, z1, w2, b2)
du 1 = sigmoid_back(u1)
dx, dw1, db1 = affine_back(du1, x, w1, b1)

#重み、バイアスの更新
w1 = w1 lr * dw1
b1 = b1 lr * db1
w2 = w2 lr * dw2
b2 = b2 lr * db2
w3 = w3 lr * dw3
b3 = b3 lr * db3
return w1, b1, w2, b2, w3, b3

def predict(x, w1, b1, w2, b2, w3, b3):
#順伝播
u1 = affine(x, w1, b1)
z1 = sigmoid(u1)
u2 = affine(z1, w2, b2)
z2 = sigmoid(u2)
u3 = affine(z2, w3, b3)
y = identity(u3)
return y

#実行プログラム
#地震データ読み込み
df = pd.read_csv('earthquake_B_traffic.csv')

# データの作成データの作成 説明変数・目的変数分ける説明変数・目的変数分ける
df_x = df.drop("regulatory period", axis=1)
p= df.drop("damage range", axis=1)
q= p.drop( "embankment height", axis=1)
r= q.drop("landform", axis=1)
s= r.drop("banking structure", axis=1)
t= s.drop("damage form", axis=1)
u= t.drop("traffic", axis=1)

# 説明変数・目的変数をそれぞれ訓練データ・テストデータに分割説明変数・目的変数をそれぞれ訓練データ・テストデータに分割
x_train, x_test, t_train, t_test = train_test_split(df_x, t, test_size=0.3)

#ノード数設定
d0 = x_train.shape[1]
d1 = 30 # 1層目のノード 数
d2 = 30 # 2層目のノード数
d3 = 1 #出力層

#重みの初期化 0.1 0.1 の乱数
np.random.seed(8)
w1 = np.random.rand(d0, d1)*0.001
w2 = np.random.rand(d1, d2)*0.001
w3 = np.random.rand(d2, d3)*0.001
#重みを１ ~0.001 に設定する部分


#バイアスの初期化 (
b1 = np.zeros(d1)
b2 = np.zeros(d2)
b3 = np.z
eros(d3)

#学習率
lr = 0.5

#バッチサイズ
batch_size = 32

#学習回数
epoch =1000

#グラフを 描写リスト
x = [0, epoch]
y = [0.100]

for i in range(epoch):
for j in range(0, x_train.shape[0], batch_size): w1, b1, w2, b2, w3, b3 = learn(x_train[j:j + batch_size], t_train[j:j + batch_size], w1, b1, w2, b2, w3, b3,
# 学習 shape[ ００ は行の大きさを調べている．ここでは， 77 ．よって 0~77 の範囲でバッチサイズ文のステップ幅で数列を作成

試したこと

説明変数の数を6種類から5種類に減らした結果、エラーの発生はなくプログラムが動きました。
ディープラーニングを用いた文字認識のモデルのこーどを参考にしています。

補足情報（FW/ツールのバージョンなど）

(32,2)
→32：バッチサイズ
→2: ?

(1,30)
→1：出力層のサイズ
→30：2層目のノード数

ということはわかっています。

Answer 1

# データの作成データの作成 説明変数・目的変数分ける説明変数・目的変数分ける
df_x = df.drop("regulatory period", axis=1)
p= df.drop("damage range", axis=1)
q= p.drop( "embankment height", axis=1)
r= q.drop("landform", axis=1)
s= r.drop("banking structure", axis=1)
t= s.drop("damage form", axis=1)
u= t.drop("traffic", axis=1)

# 説明変数・目的変数をそれぞれ訓練データ・テストデータに分割説明変数・目的変数をそれぞれ訓練データ・テストデータに分割
x_train, x_test, t_train, t_test = train_test_split(df_x, t, test_size=0.3)

の部分の最終行「(df_x, t, test_size=0.3)」の ”ｔ” を ”u” に変更すると解決した。

もともと5種類の説明変数でモデルを構築していたプログラムで、それを6種類に増やした際に説明変数の最後の"traffic”の行を考慮せずにプログラムを走らせていたところエラーが発生していた。