前馈神经网络恐龙自玩游戏矩阵形状对齐错误解决求助

核心问题拆解 #

报错提示(1,4)与(10,4)无法对齐，说明你的current_layer.input是**(1,4)的二维数组，current_layer.weights是(10,4)**的二维数组。理论上np.dot((1,4), (4,10))（即weights.T的形状）是合法运算，问题大概率出在权重初始化逻辑或层间维度传递的错误上。

具体解决步骤 #

• 修正权重初始化形状
  前馈神经网络中，输入层到隐藏层的权重形状应为(输入特征数, 隐藏层神经元数)。如果你的输入是4个特征、隐藏层有10个神经元，权重不能初始化为(10,4)，要改成(4,10)：

  # 错误初始化（示例）
  self.weights = np.random.randn(10, 4)
  # 正确初始化
  self.weights = np.random.randn(4, 10)
  

  此时直接用np.dot(current_layer.input, current_layer.weights)就能得到(1,10)的合法输出，无需转置。

• 逐层核对维度传递
  在__feedforward方法中，每一层的输出要作为下一层的输入，打印每一步的维度确认衔接正确：

  def __feedforward(self, x):
      current_input = x
      for idx, layer in enumerate(self.layers):
          print(f"Layer {idx} input shape: {current_input.shape}")
          print(f"Layer {idx} weights shape: {layer.weights.shape}")
          layer_output = np.dot(current_input, layer.weights) + layer.bias
          current_input = self.activation(layer_output)
      return current_input
  

  一旦发现某层维度不匹配，直接修正对应层的权重形状。

• 确认输入特征数一致性
  你在predict里加的x = np.array(x).reshape(1, -1)是正确的，但要确保原始输入确实是4个特征。可以在该行后加打印：

  print("Processed input shape:", x.shape)
  

  若输出不是(1,4)，说明输入数据本身特征数不对，要回溯数据采集逻辑。

• 检查多层网络的维度配置
  如果是多层网络，隐藏层到输出层的权重也要遵循(上一层神经元数, 当前层神经元数)的规则。比如隐藏层10个神经元、输出层2个动作（跳/不跳），权重应设为(10,2)。

内容的提问来源于stack exchange，提问作者FELIPE FERREIRA