行列積エラーが生じるが、どこが原因か分からない。

python
1from google.colab import drive
2drive.mount('/content/drive')
3
4import sys
5import numpy as np
6import matplotlib.pyplot as plt
7
8sys.path.append('/content/drive/My Drive')
9
10import ActivationFunction as AF
11
12from PIL import Image
13from IPython.display import display
14
15img = Image.open("drive/My Drive/mnist_dataset/rei.jpeg")
16img = img.resize((100, 100))
17img = np.asarray(img)
18
19size = 5
20
21v_split = img.shape[0] // size
22h_split = img.shape[1] // size
23out_img = []
24[out_img.extend(np.hsplit(h_img, h_split))
25    for h_img in np.vsplit(img, v_split)]
26
27plt.subplot(17, 6, 1).imshow(out_img[1])
28plt.subplot(17, 6, 2).imshow(out_img[2])
29plt.subplot(17, 6, 3).imshow(out_img[3])
30plt.subplot(17, 6, 4).imshow(out_img[4])
31plt.subplot(17, 6, 5).imshow(out_img[5])
32plt.subplot(17, 6, 6).imshow(out_img[6])
33plt.subplot(17, 6, 7).imshow(out_img[7])
34plt.subplot(17, 6, 8).imshow(out_img[8])
35plt.subplot(17, 6, 9).imshow(out_img[9])
36plt.subplot(17, 6, 10).imshow(out_img[10])
37
38def extract(x, y):
39    # カラー画像の時Gだけ抜き取りたい
40    if len(x.shape) == 3:
41        h, w, ch = x.shape
42
43    # RGBのGだけ抜き取りたい
44    return x[:,:,y]
45
46v_max, v_min = 300, 200
47
48def diff(x):
49    imgrows, lenrows, imgcolumns, lencolumns = [], [], [], []
50    for (img, imgt) in zip(x, x.T):
51        rows = img[(v_min<img)&(v_max>img)]
52        columns = imgt[(v_min<imgt)&(v_max>imgt)]
53        imgrows.append(rows)
54        lenrows.append(len(rows))
55        imgcolumns.append(columns)
56        lencolumns.append(len(columns))
57    return lenrows + lencolumns
58
59out_data_list0 = []
60
61out_data_list0.append([0] + diff(extract(out_img[0], 1)) + diff(extract(out_img[0], 2))  + diff(extract(out_img[0], 0)))
62
63out_data_list1 = []
64
65out_data_list1.append([0] + diff(extract(out_img[1], 1)) + diff(extract(out_img[1], 2))  + diff(extract(out_img[1], 0)))
66
67out_data_list2 = []
68
69out_data_list2.append([0] + diff(extract(out_img[2], 1)) + diff(extract(out_img[2], 2))  + diff(extract(out_img[2], 0)))
70
71out_data_list3 = []
72
73out_data_list3.append([0] + diff(extract(out_img[3], 1)) + diff(extract(out_img[3], 2))  + diff(extract(out_img[3], 0)))
74
75out_data_list4 = []
76
77out_data_list4.append([0] + diff(extract(out_img[4], 1)) + diff(extract(out_img[4], 2))  + diff(extract(out_img[4], 0)))
78
79out_data_list5 = []
80
81out_data_list5.append([0] + diff(extract(out_img[5], 1)) + diff(extract(out_img[5], 2))  + diff(extract(out_img[5], 0)))
82
83out_data_list6 = []
84
85out_data_list6.append([0] + diff(extract(out_img[6], 1)) + diff(extract(out_img[6], 2))  + diff(extract(out_img[6], 0)))
86
87out_data_list7 = []
88
89out_data_list7.append([0] + diff(extract(out_img[7], 1)) + diff(extract(out_img[7], 2))  + diff(extract(out_img[7], 0)))
90
91out_data_list8 = []
92
93out_data_list8.append([0] + diff(extract(out_img[8], 1)) + diff(extract(out_img[8], 2))  + diff(extract(out_img[8], 0)))
94
95out_data_list9 = []
96
97out_data_list9.append([0] + diff(extract(out_img[9], 1)) + diff(extract(out_img[9], 2))  + diff(extract(out_img[9], 0)))
98
99out_data_list10 = []
100
101out_data_list10.append([0] + diff(extract(out_img[10], 1)) + diff(extract(out_img[10], 2))  + diff(extract(out_img[10], 0)))
102
103out_data_list11 = []
104
105out_data_list11.append([0] + diff(extract(out_img[11], 1)) + diff(extract(out_img[11], 2))  + diff(extract(out_img[11], 0)))
106
107out_data_list12 = []
108
109out_data_list12.append([0] + diff(extract(out_img[12], 1)) + diff(extract(out_img[12], 2))  + diff(extract(out_img[12], 0)))
110
111out_data_list13 = []
112
113out_data_list13.append([0] + diff(extract(out_img[13], 1)) + diff(extract(out_img[13], 2))  + diff(extract(out_img[13], 0)))
114
115out_data_list14 = []
116
117out_data_list14.append([0] + diff(extract(out_img[14], 1)) + diff(extract(out_img[14], 2))  + diff(extract(out_img[14], 0)))
118
119out_data_list15 = []
120
121out_data_list15.append([0] + diff(extract(out_img[15], 1)) + diff(extract(out_img[15], 2))  + diff(extract(out_img[15], 0)))
122
123# 見本データに対しても同様に
124# exについて同様に
125training_data_list = []
126
127for i in range(len(out_img)):
128    #g #b #r 抽出後diffしてappend
129    training_data_list.append([i] + diff(extract(out_img[i], 1)) + diff(extract(out_img[i], 2))  + diff(extract(out_img[i], 0))) # 略
130
131print("training_data_list" ,training_data_list)
132print("training_data_list[1:]" ,training_data_list[1:])
133print(len(training_data_list))
134
135# 3層ニューラルネットワーク
136class ThreeLayerNetwork:
137    # コンストラクタ
138    def __init__(self, inodes, hnodes, onodes, lr):
139        # 各レイヤーのノード数
140        self.inodes = inodes
141        self.hnodes = hnodes
142        self.onodes = onodes
143
144        # 学習率
145        self.lr = lr
146
147        # 重みの初期化
148        self.w_ih = np.random.normal(0.0, 1.0, (self.hnodes, self.inodes))
149        self.w_ho = np.random.normal(0.0, 1.0, (self.onodes, self.hnodes))
150
151        # 活性化関数
152        self.af = AF.sigmoid
153        self.daf = AF.derivative_sigmoid
154
155    # 誤差逆伝搬
156    def backprop(self, idata, tdata):
157
158        # 縦ベクトルに変換
159        o_i = np.array(idata, ndmin=2).T
160        t = np.array(tdata, ndmin=2).T
161
162        # 隠れ層
163        np.set_printoptions(threshold=10000)
164        x_h = np.dot(self.w_ih, o_i)
165        o_h = self.af(x_h)
166
167        # 出力層
168        x_o = np.dot(self.w_ho, o_h)
169        o_o = self.af(x_o)
170
171        # 誤差計算
172        e_o = (t - o_o)
173        e_h = np.dot(self.w_ho.T, e_o)
174
175        # 重みの更新
176        self.w_ho += self.lr * np.dot((e_o * self.daf(o_o)), o_h.T)
177        self.w_ih += self.lr * np.dot((e_h * self.daf(o_h)), o_i.T)
178
179
180    # 順伝搬
181    def feedforward(self, idata):
182        # 入力のリストを縦ベクトルに変換
183        o_i = np.array(idata, ndmin=2).T
184
185        # 隠れ層
186        x_h = np.dot(self.w_ih, o_i)
187        o_h = self.af(x_h)
188
189        # 出力層
190        x_o = np.dot(self.w_ho, o_h)
191        o_o = self.af(x_o)
192
193        return o_o
194
195if __name__=='__main__':
196    # パラメータ
197    #inodes=784から30に変更
198    inodes = 30
199    hnodes = 100
200    onodes = 400
201    lr = 0.3
202
203    # ニューラルネットワークの初期化
204    nn = ThreeLayerNetwork(inodes, hnodes, onodes, lr)
205
206    # 学習
207    epoch = 50
208    for e in range(epoch):
209        print('#epoch ', e)
210        data_size = len(training_data_list)
211        for i in range(data_size):
212            if i % 1000 == 0:
213                print('  train: {0:>5d} / {1:>5d}'.format(i, data_size))
214            idata = (np.array(training_data_list[i][1:]) / 255.0 * 0.99) + 0.01
215            # 変更の余地あり
216            tdata = np.zeros(onodes) + 0.01
217            tdata[training_data_list[i][0]] = 0.99
218            nn.backprop(idata, tdata)
219            pass
220        pass
221
222    # テスト
223    scoreboard = []
224    for record in test_data_list:
225        idata = (np.array(out_data_list0[1:]) / 255.0 * 0.99) + 0.01
226        predict = nn.feedforward(idata)
227        plabel = np.argmax(predict)
228        print("predict" ,predict)
229        print("plabel" ,plabel)
230        pass
231
232    scoreboard_array = np.asarray(scoreboard)
233    print('performance: ', scoreboard_array.sum() / scoreboard_array.size)

出力一部
Drive already mounted at /content/drive; to attempt to forcibly remount, call drive.mount("/content/drive", force_remount=True).
training_data_list [[0, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5], [1, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5], [2中略 5, 5, 5, 5, 5, 5, 5, 5], [398, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5], [399, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5, 5]]
400
中略

エラーは
x_h = np.dot(self.w_ih, o_i)
ここで出るのですが、

# パラメータ
#inodes=784から30に変更
inodes = 30
hnodes = 100
onodes = 400
lr = 0.3

ここは、前に作ったプログラムから数値の変更点を変更しただけなので、他が問題ですかね・・・。

エラー詳細は、

ValueError Traceback (most recent call last)
<ipython-input-22-1bf6b94b7030> in <module>()
224 for record in test_data_list:
225 idata = (np.array(out_data_list0[1:]) / 255.0 * 0.99) + 0.01
--> 226 predict = nn.feedforward(idata)
227 plabel = np.argmax(predict)
228 print("predict" ,predict)

<ipython-input-22-1bf6b94b7030> in feedforward(self, idata)
184
185 # 隠れ層
--> 186 x_h = np.dot(self.w_ih, o_i)
187 o_h = self.af(x_h)
188

<array_function internals> in dot(*args, **kwargs)

ValueError: shapes (60,30) and (0,1) not aligned: 30 (dim 1) != 0 (dim 0)

です。

meg_

2021/06/08 13:27

エラー詳細はどうなっていますか？

meg_

2021/06/09 00:10

エラーを見ると、idataが原因のように思われます。

jbpb0

2021/06/09 01:27

idata = (np.array(out_data_list0[1:]) / 255.0 * 0.99) + 0.01 ↓ idata = (np.array(out_data_list0[0][1:]) / 255.0 * 0.99) + 0.01 かな

ques346

2021/06/09 03:56 編集

なるほど!それで一度やってみます! エラーありませんでした!出力結果は、 plabel 398 performance: nan /usr/local/lib/python3.7/dist-packages/ipykernel_launcher.py:233: RuntimeWarning: invalid value encountered in double_scalars でした。

行動規範の内容に同意します

回答1件

ベストアンサー

python
1idata = (np.array(out_data_list0[1:]) / 255.0 * 0.99) + 0.01

↓ 修正

python
1idata = (np.array(out_data_list0[0][1:]) / 255.0 * 0.99) + 0.01

で、

ValueError: shapes (60,30) and (0,1) not aligned: 30 (dim 1) != 0 (dim 0)

は出なくなると思います

投稿2021/06/09 07:50

jbpb0

総合スコア7653

あなたの回答

tips

プレビュー

行動規範の内容に同意します

質問の解決につながる回答をしましょう。サンプルコードなど、より具体的な説明があると質問者の理解の助けになります。また、読む側のことを考えた、分かりやすい文章を心がけましょう。

15分調べてもわからないことは
teratailで質問しよう！

ただいまの回答率
85.35%

質問をまとめることで
思考を整理して素早く解決

テンプレート機能で
簡単に質問をまとめる

質問する

質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう！

行列積エラーが生じるが、どこが原因か分からない。

エラー詳細は、

関連した質問