Динамически настраивать размер матрицы для предикторных переменных в нейронной сети

Question

Я пытаюсь адаптировать некоторый код из недавнего поста на R-Bloggers (https://www.r -bloggers.com / как создать свою собственную нейронную сеть с нуля-r / ), которая производит базовую нейронную сеть.Я могу заставить пример работать, но когда я пытаюсь изменить его, чтобы использовать мои собственные данные в качестве предикторов и переменных результата (у которых есть больше столбцов и строк), он падает.

Ошибка, которую я получаю,:

Error in nn$layer1 %*% nn$weights2 : non-conformable arguments

Я полагаю, что это из функции FeedForward:

feedforward <- function(nn){
  nn$layer1 <- sigmoid(nn$input %*% nn$weights1)
  nn$output <- sigmoid(nn$layer1 %*% nn$weights2)
  nn
}

По моим поискам в Интернете, я думаю, это потому, что nn $ weights1 и nn$ input имеет неправильный размер.

Так что я предполагаю, что мой вопрос, может кто-нибудь показать мне, как адаптировать следующий код, чтобы он динамически адаптировался к числу строк и столбцов в x и строк в y, пожалуйста?

Если вам нужно что-то еще, пожалуйста, спросите.Заранее спасибо!

Джей

Полный сценарий:

## Build a Simple Neural Network

## Source: https://www.r-bloggers.com/how-to-build-your-own-neural-network-from-scratch-in-r/

## Libraries
library("ggplot2")

## Create the training data

## Predictor vars
x <- matrix(c(0, 0, 1, 0, 1, 1, 1, 0, 1, 1, 1, 1), ncol = 3, byrow = TRUE)
## Outcomes
y <- c(0, 1, 1, 0)

## Check it
cbind(x, y)

## Create an object to store the state of the NN

## Random value for initial weights for layer 1
rand.vector <- runif(ncol(x) * nrow(x))

## Convert the vector into a matrix
rand.matrix <- matrix(rand.vector, nrow = ncol(x), ncol = nrow(x), byrow = TRUE)

## List to store the state of NN as trained
my.nn <- list(input = x, 
              weights1 = rand.matrix, 
              weights2 = matrix(runif(4), ncol = 1),
              y = y, 
              output = matrix(rep(0, times = 4), ncol = 1))

## Activation Function
sigmoid <- function(x){
  1.0 / (1.0 + exp(-x))
}

## Derivative of the activation function
sigmoid.derivative <- function(x){
  x * (1.0 - x)
}

## Loss function
loss.function <- function(nn){
  sum((nn$y - nn$output) ^ 2)
}


## Feedforward and Back Propogation

## In order to minimize the loss function we perform feedforward 
## and backpropagation. Feedforward applies the activation function 
## to the layers and produces a predicted outcome.

feed.forward <- function(nn){
  nn$layer1 <- sigmoid(nn$input %*% nn$weights1)
  nn$output <- sigmoid(nn$layer1 %*% nn$weights2)
  nn
}

## Backpropagation takes the predicted outcome, resulting from the 
## feedforward step, and adjust the layer weights to reduce the loss function
backprop <- function(nn){
  ## Application of the chain rule to find derivative of the loss function with 
  ## respect to weights2 and weights1
  d.weights2 <- (
    t(nn$layer1) %*%
      ## 2 * (nn$y - nn$output) is the derivative of the sigmoid loss function
      (2 * (nn$y - nn$output) *
         sigmoid.derivative(nn$output))
  )

  d.weights1 <- (2 * (nn$y - nn$output) * sigmoid.derivative(nn$output)) %*% 
    t(nn$weights2)
  d.weights1 <- d.weights1 * sigmoid.derivative(nn$layer1)
  d.weights1 <- t(nn$input) %*% d.weights1

  ## Update the weights using the derivative (slope) of the loss function
  nn$weights1 <- nn$weights1 + d.weights1
  nn$weights2 <- nn$weights2 + d.weights2
  nn
}


## Train the model

## number of times to perform feedforward and backpropagation
n <- 1500

## Data frame to store the results of the loss function.  This data 
## frame is used to produce the plot in the next code chunk
loss.df <- data.frame(iteration = 1:n, loss = vector("numeric", length = n))

for (i in seq_len(1500)) {
  my.nn <- feed.forward(my.nn)
  my.nn <- backprop(my.nn)

  # store the result of the loss function.  We will plot this later
  loss.df$loss[i] <- loss.function(my.nn)
}

## Print the predicted outcome next to the actual outcome
data.frame("Predicted" = round(my.nn$output, 3), "Actual" = y)

## Plot the cost
ggplot(data = loss.df, aes(x = iteration, y = loss)) +
  geom_line()