N=100
numbers_training_pattern=10
for pattern in range(number_training_pattern):
rate=np.zeros((1,N))
for epoch in range(1,nepochs+1):
if epoch<=1:
clamp=1
else:
clamp=0
activ=np.zeros((1,N))
for neuron in range(N):
PreSynInput = rate.T + (Testing_pattern[neuron, pattern] * clamp)
activ[neuron] = np.dot(PreSynInput.T,autocorrelation_matrix[:,neuron])
错误 IndexError Traceback(最近一次调用最后一次) in() 17 18 ---&GT; 19 activ [neuron] = np.dot(PreSynInput.T,autocorrelation_matrix [:,neuron]) 20 21
IndexError:索引1超出轴0的大小为1
答案 0 :(得分:3)
activ=np.zeros((1,N))
表示activ
有1行和N
列。 activ[0]
指的是第一行。 activ[1]
会引发IndexError,因为没有第二行。
for i in range(N)
使i
的范围从0到N-1
。因此,如果N
大于1,则会发生错误。
在更改当前代码的最少量时修复错误的一种方法是使用
activ[0, neuron] = np.dot(PreSynInput.T,autocorrelation_matrix[:,neuron])
但是,逐个元素地为NumPy数组赋值通常不是利用NumPy的理想方式。如果您可以将计算表达为在较大的数组上完成并且没有Python for循环,那么您将获得更好的性能。
例如,如果我正确理解未定义数组的形状,那么 可以取代
activ=np.zeros((1,N))
for neuron in range(N):
PreSynInput = rate.T + (Testing_pattern[neuron, pattern] * clamp)
activ[neuron] = np.dot(PreSynInput.T,autocorrelation_matrix[:,neuron])
带
PreSynInput = (rate.T + (Testing_pattern[:, pattern] * clamp))
activ = np.einsum('ij,ij->j', PreSynInput, autocorrelation_matrix)
例如,
import numpy as np
np.random.seed(2015)
N, M, pattern = 10, 5, 0
clamp = 1
autocorrelation_matrix = np.random.randint(10, size=(N, N))
Testing_pattern = np.random.randint(10, size=(N, M))
rate = np.random.randint(10, size=(1,N))
activ=np.zeros((1,N))
for neuron in range(N):
PreSynInput = rate.T + (Testing_pattern[neuron, pattern] * clamp)
activ[:, neuron] = np.dot(PreSynInput.T, autocorrelation_matrix[:,neuron])
PreSynInput = (rate.T + (Testing_pattern[:, pattern] * clamp))
activ2 = np.einsum('ij,ij->j', PreSynInput, autocorrelation_matrix)
print(activ)
# [[ 405. 421. 272. 475. 227. 424. 644. 212. 325. 502.]]
print(activ2)
# [405 421 272 475 227 424 644 212 325 502]
如果你能找到消除方法的话,你会得到更好的表现
for pattern
- 循环和for epoch
- 循环。
如何消除这些循环是一个非常困难和有趣的问题 证明一个单独的问题。如果您确实发布了有关该问题的新问题,请添加minimal example with runnable code 绝对清楚输入的所需输出是什么。