Wie zu beheben Dimensionsfehler in Theano V0.8 tutorial code

Question

Ich bin der tutorial in der Version v0.8 von Theano.

Es ein Beispiel umfasst & der Schaffung einer logistischen Regressions Ausbildung wie unten dargestellt:

rng = np.random 
N = 400 # training sample size 
feats = 784 # number of input vars 

D = (rng.randn(N, feats), rng.randint(size=N, low=0, high=2)) # generate a dataset 

training_steps = 10000 

x, y = T.matrix('x'), T.matrix('y') 

w = theano.shared(rng.randn(feats), name='w') # init a weight vector randomly 
b = theano.shared(0., name='b') # init bias variable 
           # both w and b are 'shared' 

print "logistic regression: initial model:" 
print w.get_value() 
print b.get_value() 

               # build expression graph 
p_1 = 1/(1+T.exp(-T.dot(x,w)-b))    # Probability that target = 1 
prediction = p_1 > 0.5       # prediction threshold 
xent = -y * T.log(p_1) - (1-y) * T.log(1-p_1) # Cross-entropy loss function 
cost = xent.mean() + 0.01 * (w ** 2).sum()  # The cost to minimize 
gw, gb = T.grad(cost, [w, b])     # Cost gradient = func(w,b) 

train = theano.function(      # compile training function 
    inputs=[x,y], 
    outputs=[prediction, xent], 
    updates=((w, w - 0.1 * gw), (b, b - 0.1 * gb))) 

predict = theano.function(inputs=[x], outputs=prediction) 

for i in range(training_steps):     # do the training 
    pred, err = train(D[0], D[1]) 

Theano den folgenden Fehler wirft:

TypeError: ('Bad input argument to theano function with name "./tut.py:206" at index 1(0-based)', 'Wrong number of dimensions: expected 2, got 1 with shape (400,).')

ich ziemlich sicher bin das Update einfach ist (aufgrund meines Newb-Status bei Theano) und vielleicht einen Umformungsschritt beinhaltet. Das Tutorial hat keinen guten Hinweis. Vorschläge?

Answer 1

versuchen D[1] neu zu gestalten, bevor Sie es in der Theano Funktion zu benutzen, vielleicht so etwas wie diese (ich habe es nicht versuchen, mir sagen, wenn es nicht funktioniert):

pred, err = train(D[0], np.reshape(D[1],(400,1)) 

der Fehler passieren, weil Sie D[1] in einem eindimensionalen Array initialisieren unter Verwendung rng.randint(size=N, low=0, high=2) aber es ist Pass (zweidimensionale) variable y

oder

die andere einfache Lösung Matrix wird durch den Vektor anstelle der Matte unter Verwendung von rix für Variable y:

y = T.vector("y")