TypeError: Массивы должны иметь согласованные типы в присваивании

После этого у меня есть код, подобный следующему:

@jit(float_[:,:,:](float_[:,:], int_[:], int_)) 
def train_function(X, y, H):
    # do lots of stuff, including setting the arrays g and g_per_round like this:
    g = np.zeros((no_features, no_classes))
    g_per_round = np.zeros((H, no_features, no_classes))

    # do more stuff, then:    
        g_h = None
        j = 0
        print "Calculating regression coefficients per class. .."
        # building the parameters per j class
        for y1_w in zip(z.T, weights.T):
            y1, w = y1_w 
            temp_g = sm.WLS(y1, X, w).fit()  # Step 2(a)(ii)
            if g_h is None: # sometimes g *is* None, and that's fine
                   g_h = temp_g.params # this is an array of floats
            else:
                    g_h = np.c_[g_h, temp_g.params]
            j = j + 1

        if np.allclose(g,0) or g is None:
            g = g_h
        else:            
            g = g + g_h 

    # do lots more stuff, then finally:
    return g_per_round

class GentleBoostC(object):
    # init functions and stuff
    def train(self, X, y, H):
        self.g_per_round = train_function(X, y, H)

Теперь я получаю следующую ошибку:

 @jit(float_[:,:,:](float_[:,:], int_[:], int_))
 more lines, etc etc etc, last few lines:
    unresolved_types, var_name)
  File "C:\Users\app\Anaconda\lib\site-packages\numba\typesystem\ssatypes.py", line 767, in promote_arrays
    assert_equal(non_array_types[0])
  File "C:\Users\app\Anaconda\lib\site-packages\numba\typesystem\ssatypes.py", line 764, in assert_equal
    var_name, result_type, other_type))
TypeError: Arrays must have consistent types in assignment for variable 'g': 'float64[:, :]' and 'none'

У меня фактически не было проблем с этим, прежде чем пытаться добавить @jit ускорить мой код.

Источник

2 ответа

Решение

Проблема в том, что Numba выводит g_h быть NoneType; инициализируйте его в вектор, и он будет правильно скомпилирован:

g_h = np.zeroes((H, no_features, no_classes))
Источник

Проблема в том, что Нумба не может знать, что g_h не будет None когда он наконец назначен g потому что тип g_h зависит от контроля потока во время выполнения. Другими словами, если g_h никогда не может быть float64, то он должен предположить, что иногда это не так.

Это задокументированное ограничение нумбы и ограничение систем логического вывода в целом:

Однако существуют некоторые ограничения, а именно то, что переменные должны иметь унифицируемый тип в точках слияния потока управления. Например, следующий код не будет компилироваться:

@jit def incompatible_types(arg):
    if arg > 10:
        x = "hello"
    else:
        x = 1

    return x        # ERROR! Inconsistent type for x!

Решение состоит в том, чтобы инициализировать g_h к совместимому типу вместо = None,

Вывод типов в Numba на самом деле довольно умный, поэтому вы можете смешивать типы в определенной локальной переменной без проблем во многих случаях, если тип можно объединить перед возвратом. Прочитайте документацию Numba о типах для получения дополнительной информации.

Источник
Другие вопросы по тегам