解決Python報錯:ValueError:operands?could?not?be?broadcast?together?with?shapes

更新時間：2023年02月20日 09:42:37 作者：來知曉

這篇文章主要給大家介紹了關于解決Python報錯:ValueError:operands?could?not?be?broadcast?together?with?shapes的相關資料,文中通過實例代碼介紹的非常詳細,需要的朋友可以參考下

問題描述

在做矩陣數(shù)據(jù)的歸一化處理時，遇到個報錯：ValueError: operands could not be broadcast together with shapes (2,32) (2,) 。

源碼片段如下：

def normalization(X, set_axis): # for 2d matrix
    Xmin = np.min(X, axis=set_axis) # axis=0, the col min; else, the row min;
    Xmax = np.max(X, axis=set_axis)
    Xmu = np.mean(X, axis=set_axis)
#    print(Xmin.shape)
    X_norm = (X - Xmu) / (Xmax - Xmin)
    return X_norm

X = np.arange(0, 64).reshape(2, 32)
X_norm = normalization(X, 1)

根據(jù)矩陣乘法廣播擴展的原則，只要有一個維度的大小相同就能擴展，但這里卻失敗了，仔細定位了下，終于找到原因。

問題解決

問題根因

最后的原因竟然是：打印Xmin.shape后顯示的結(jié)果(2,)，個人理解錯誤。原以為：(2,)表示的是兩行一列的意思，而實際上(2,)表示只有1維，是個向量。

雖然該向量本質(zhì)也是一行兩列，但是為了向量運算方便，不區(qū)分方向、行列，而廣播支持的必須是矩陣，維度必須2維及以上。

所以解決方法是升維成二維矩陣，需要將Xmin擴維成矩陣，最后的shape表示為(2,1)，表征2行1列二維數(shù)據(jù)，之后就可以進行廣播運算了。

由此可以看出，對基礎知識的深入理解很重要。

修改方法

在源碼片段第4行后，添加如下其中一種代碼即可：

    # 擴維方法1
    Xmin= Xmin[:, np.newaxis]  # 從列的維度擴維, shape成(2, 1)
    Xmax= Xmax[:, np.newaxis]  # [np.newaxis, :]則是從行的維度擴維，shape成(1, 2)
    Xmu= Xmu[:, np.newaxis]

    # 擴維方法2
    Xmin = Xmin.reshape(X.shape[0], 1)
    Xmax = Xmax.reshape(X.shape[0], 1)
    Xmu = Xmu.reshape(X.shape[0], 1)

進階舉例

對該知識點的深入，可以小結(jié)為，[]表示一個維度，如只有一個[]，則表示向量，兩個嵌套則表示二維矩陣，3個嵌套則表示三維矩陣。

要做廣播的基礎，首先是一維以上的矩陣，系統(tǒng)不支持一維向量的廣播擴展。

代碼示例如下：

import numpy as np

x1 = [1, 2]  # 一維向量，沒有行列之分，只有元素個數(shù)
x2 = [[1], [2]] # 二維矩陣，大小為：2*1
x3 = [[1, 2], [3, 4]] # 二維矩陣，大小為:2*2
x1 = np.array(x1)
x2 = np.array(x2)
x3 = np.array(x3)
print(x1.shape)
print(x2.shape)
print(x3.shape)

參考資料

How to Fix: ValueError: Operands could not be broadcast together with shapes?

總結(jié)

到此這篇關于解決Python報錯:ValueError:operands could not be broadcast together with shapes的文章就介紹到這了,更多相關Python報錯ValueError內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: