Python手动实现两层神经网络报错求助：维度不匹配问题

错误根源 #

报错ValueError: shapes (4,2) and (4,1) not aligned: 2 (dim 1) != 4 (dim 0)源于矩阵乘法的维度不匹配，核心问题是输入数据维度定义、矩阵乘法顺序，以及反向传播中的导数计算均存在维度对齐问题。

具体修正步骤 #

1. 对齐输入输出数据形状
   你定义的输入X为(2,4)（2个样本，每个样本4个特征，对应输入层4个神经元），但输出y是(1,4)，两者样本数不匹配。需将y调整为(2,1)，与样本数对应；若实际需求是4个样本、每个样本2个特征，则调整X为(4,2)并将input_neurons改为2（按你描述输入层4个神经元，前者更合理）。

2. 修正前向传播矩阵乘法顺序
   输入矩阵X形状为(样本数, 输入特征数)，权重矩阵weights为(输入特征数, 输出特征数)，正确点乘顺序是np.dot(X, weights)，而非X.T。计算结果形状为(样本数, 输出特征数)，加偏置时会自动广播，匹配样本输出维度。

3. 修正反向传播权重导数计算
   权重导数应为输入矩阵转置乘以误差项delta，即np.dot(X.T, delta)，得到的导数矩阵形状与weights完全一致，才能正常更新权重。

4. 修正偏置导数求和维度
   偏置导数需对所有样本的误差项求和，应沿样本维度（axis=0）求和，而非axis=1，确保结果形状与biases一致。

修正后的完整代码 #

import numpy as np

# Step 1: 定义输入输出数据（2个样本，每个样本4个特征）
X = np.array([[0, 0, 1, 1], [0, 1, 0, 1]])  # 形状(2,4)
y = np.array([[0], [1]])  # 形状(2,1)，对应2个样本的输出

# Step 2: 定义神经元数量
input_neurons = 4
output_neurons = 1

# Step 3: 初始化权重和偏置
weights = np.random.rand(input_neurons, output_neurons)  # 形状(4,1)
biases = np.random.rand(output_neurons, 1)  # 形状(1,1)

# Step 4: sigmoid激活函数
def sigmoid(x):
    return 1 / (1 + np.exp(-x))

# Step 5: sigmoid导数
def sigmoid_derivative(x):
    return sigmoid(x) * (1 - sigmoid(x))

# Step 6: 前向传播
def forward_propagation(X, weights, biases):
    # X(2,4) * weights(4,1) → (2,1)，加上biases(1,1)广播为(2,1)
    output = sigmoid(np.dot(X, weights) + biases)
    return output

# Step 7: 反向传播
def backward_propagation(X, y, output, weights, biases):
    error = output - y  # 形状(2,1)
    derivative = sigmoid_derivative(output)  # 形状(2,1)
    delta = error * derivative  # 形状(2,1)
    # X.T(4,2) * delta(2,1) → (4,1)，和weights形状一致
    weights_derivative = np.dot(X.T, delta)
    # 沿样本维度求和，得到(1,1)，和biases形状一致
    biases_derivative = np.sum(delta, axis=0, keepdims=True)
    return delta, weights_derivative, biases_derivative

# Step 8: 训练函数
def train(X, y, weights, biases, epochs, learning_rate):
    for i in range(epochs):
        output = forward_propagation(X, weights, biases)
        delta, weights_derivative, biases_derivative = backward_propagation(X, y, output, weights, biases)
        weights -= learning_rate * weights_derivative
        biases -= learning_rate * biases_derivative
        error = np.mean(np.abs(delta))
        print(f"Epoch {i} error: {error:.4f}")

# Step 9: 训练网络
epochs = 5000
learning_rate = 0.1
train(X, y, weights, biases, epochs, learning_rate)

额外说明 #

若实际需求是4个样本（对应y的4个值），需调整X为(4,2)（4个样本，每个样本2个特征），同时将input_neurons改为2，代码逻辑同样适用，仅需修改输入输出数据定义即可。

内容的提问来源于stack exchange，提问作者Stetco Oana