Pytorch训练GoogLeNet时损失函数报错

最新推荐文章于 2024-02-03 11:10:42 发布
最新推荐文章于 2024-02-03 11:10:42 发布
阅读量5.8k 收藏 12
点赞数 13
分类专栏： 机器学习 文章标签： pytorch 深度学习 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_44980390/article/details/122216781
版权
这篇博客介绍了如何在遇到'输入必须为Tensor'错误时，将模型输出的GoogLeNetOutputs转换为logits以便用于交叉熵损失函数。关键步骤包括获取模型输出并通过.logits属性获取原始预测值。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

报错信息：
TypeError: cross_entropy_loss(): argument ‘input’ (position 1) must be Tensor, not GoogLeNetOutputs
需要把model输出的GoogLeNetOutputs转化为适用于损失函数的logits形式

output = model(x)
output = output.logits
cross_entropy_loss(): argument ‘input‘ (position 1) must be Tensor, not NoneType
matlab_python22的博客
10-18 3652
这个模型当中，在return中 return的内容 是否有异常的现象。yu遇到这个错误的时候，需要看看自己的网络模型。1 或者return 多个变量。3 返回多个变量的顺序是否正确。2 是否没有返回任何值。
Pytorch搭建GoogleNet神经网络
最新发布
2301_78820199的博客
04-16 1898
GoogleNet网络搭建详细过程！超清晰！
文本分类---使用CrossEntropyLoss时候的一些错误
weixin_42545466的博客
07-07 936
错误：multi-target not supported at C:/w/1/s/tmp_conda_3.6_045031/conda/conda-bld/pytorch_1565412750030/work/aten/src\THCUNN/generic/ClassNLLCriterion.cu:15 jie **解决：**将label变为一维， 见到batch.label=batch.label.unsqueeze(1)要小心。loss函数为交叉熵的时候，此时的输入label应该就是batch_siz
cross_entropy_loss(): argument ‘target’ (position 2) must be Tensor, not tuple
weixin_46573159的博客
02-03 1156
Getting Error: TypeError: cross_entropy_loss(): argument ‘target’ (position 2) must be Tensor, not tuple
TypeError: dropout(): argument 'input' (position 1) must be Tensor, not str
weixin_42613360的博客
02-14 1625
这个错误提示说，在调用dropout函数时，第一个参数(位置为1)必须是Tensor类型，而不是字符串类型。 可能是因为您在调用dropout函数时，传递的参数类型不是Tensor，而是字符串。您需要检查您的代码，确保dropout函数的参数是正确的Tensor类型。 ...
代码错误记录：TypeError: dropout(): argument ‘input‘ (position 1) must be Tensor, not str
qsx123432的博客
04-06 1万+
TypeError: dropout（）: argument 'input' （position 1） must be Tensor, not str 背景解决方法整体代码参考链接 背景 使用 hugging face 中的 预训练模型 完成文本分类任务的过程中。出现了这个问题。 问题排查的过程中，发现这里定义的 cls_layer() 出现问题。 问题是数据类型错误，因此需要检查pooler_output的数据产生的位置和输出类型 解决方法 定位位置，寻找pooler_output的输出 这个poo
基于Pytorch框架的GoogleNet：MNIST数据集手写数字识别
qq_33629518的博客
10-22 880
Debug问题总结： 一、使用x.view(size,-1)进行矩阵变换后没有赋值给x 二、在编写测试函数时没有使用mini-hatch会出现报错（无法同时处理过多测试集） 三、使用torch.max()将pred_data转换成pred_labels时有两个返回值，分别是最大项及其索引值，要使用_,pred_labels=torch.max(pred_data)进行赋值，不能省略逗号 四、准确率计算时是比较pred_labels和test_labels,不是pred_data，否则准确率输出为0% 五、i
PyTorch ------GoogLeNet卷积神经网络实现mnist手写体识别
实践是检验真理的唯一标准，经历了才会更加深切的懂得！！！
02-29 2093
计划将所有的经典模型使用pytorch在搞一遍 接上一篇NIN现实mnist手写识别 使用经典模型GoogLeNet模型实现相同的功能 GoogLeNet论文原文地址 GoogLeNet简介 GoogLeNet是2014年提出的一种全新的深度学习结构，在这之前的AlexNet、VGG、NIN等结构都通过增大网络深度（层数）来获得更好的训练效果，但层数的增加会带来很多负作用，比如overfit、...
CNN经典网络模型（四）：GoogLeNet简介及代码实现（PyTorch超详细注释版）
qq_43307074的博客
10-01 1万+
CNN经典网络模型之一：GoogLeNet，本文包含其简介及代码，在PyTorch中实现，进行超详细注释，适合新生小白阅读学习~
Pytorch中的CrossEntropyLoss()函数案例解读和结合one-hot编码计算Loss
01-20
使用Pytorch框架进行深度学习任务，特别是分类任务时，经常会用到如下： import torch.nn as nn criterion = nn.CrossEntropyLoss().cuda() loss = criterion(output, target) 即使用torch.nn.CrossEntropyLoss()作为损失函数。 那nn.CrossEntropyLoss()内部到底是啥？？ nn.CrossEntropyLoss()是torch.nn中包装好的一个类，对应torch.nn.functional中的cross_entropy。 此外，nn.CrossEntropyL
PyTorch模型进阶技巧
1ncludeSteven
09-21 572
讲解PyTorch自定义损失函数（基于函数、基于类）、动态调整学习率（PyTorch官方scheduler，自定义调整策略）、模型预训练及模型微调（基于torchvision.models, timm）、半精度训练（使用float16）、数据增强（imgaug）、使用argparse设置超参数
input(position 1) must be Tensor, not NoneType
studyvcmfc的专栏
06-05 4262
https://blog.youkuaiyun.com/qq_41368074/article/details/105560274?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.nonecase&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.nonecase
[pytorch] 使用CrossEntropyLoss()交叉熵损失函数报错：Target 2 is out of bounds.
a1651950431的博客
03-13 2200
[pytorch] 使用CrossEntropyLoss()交叉熵损失函数报错：Target 2 is out of bounds.
PyTorch编写代码遇到的问题
二分掌柜的
03-03 1万+
训练人脸检测mtcnn遇到的问题 flyfish no module named xxx xxx为自定义文件夹的名字 因为搜索不到，所以将当前路径加入到包的搜索目录 解决方法： import sys sys.path.append(’…’) #将上层目录加入到搜索路径中 sys.path.append(’/home/xxx’) # 绝对路径 import os sys.path.append(os...
CNN卷积神经网络实战，报错解决!
m0_59166647的博客
12-01 801
CNN卷积神经网络实战，报错解决!
Pytorch交叉熵损失函数CrossEntropyLoss报错解决办法
vivi_cin的博客
03-26 777
交叉熵损失
理解与使用torch的CrossEntropy Loss
hellozhxy的博客
03-23 1072
交叉熵误差函数形式不难，但是使用起来却容易出错，这里记录一下自己的理解。
TypeError系列之：TypeError: conv2d(): argument 'input' (position 1) must be Tensor, not NoneType
热门推荐
qq_41368074的博客
04-16 3万+
这里出现类似错误往往是因为，conv2d()函数的第一个参数，需要时一个tensor行的数据，然而却赋值成了not后给的类型。 我出现问题的原因是，中间有一个函数缺少返回值，因此会造成NoneType的错误。其余错误类似，只需把送给conv2d()的数据转换成tensor即可； 这里：numpy 和 tensor数据相互转换的方法： 1.numpy->tensor data = to...
pytorch训练GoogleNet
05-11
要使用PyTorch训练GoogleNet，可以按照以下步骤操作： 1. 准备数据集：首先需要准备图片数据集，可以使用PyTorch提供的torchvision.datasets.ImageFolder类加载数据集。 2. 定义模型：使用PyTorch定义GoogleNet模型，可以参考PyTorch官方提供的实现或者自己实现。 3. 定义损失函数：根据任务需要选择适当的损失函数，比如交叉熵损失函数。 4. 定义优化器：选择适当的优化器进行模型参数的优化，比如SGD或Adam。 5. 训练模型：使用训练集对模型进行训练，可以使用PyTorch提供的torch.utils.data.DataLoader类进行数据加载，使用torch.optim提供的优化器对模型进行优化，使用torch.nn提供的损失函数计算损失。 6. 评估模型：使用测试集对模型进行评估，可以使用PyTorch提供的torch.utils.data.DataLoader类进行数据加载，使用torch.nn提供的损失函数计算损失和准确率等指标。 7. 保存模型：在训练完成后，可以使用torch.save函数将训练好的模型保存到文件中，以备后续使用。 下面是一个简单的示例代码，可以帮助你更好地理解训练GoogleNet的过程： ```python import torch import torch.nn as nn import torch.optim as optim import torchvision.datasets as datasets import torchvision.transforms as transforms from torch.utils.data import DataLoader from torchvision.models import googlenet # 定义超参数 batch_size = 64 num_epochs = 10 learning_rate = 0.01 momentum = 0.9 # 准备数据集 train_dataset = datasets.ImageFolder('path/to/train/dataset', transform=transforms.ToTensor()) test_dataset = datasets.ImageFolder('path/to/test/dataset', transform=transforms.ToTensor()) # 定义数据加载器 train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True) test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=False) # 定义模型 model = googlenet(pretrained=False, num_classes=10) # 定义损失函数和优化器 criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(model.parameters(), lr=learning_rate, momentum=momentum) # 训练模型 for epoch in range(num_epochs): for i, (images, labels) in enumerate(train_loader): # 前向传播 outputs = model(images) loss = criterion(outputs, labels) # 反向传播和优化 optimizer.zero_grad() loss.backward() optimizer.step() if (i+1) % 100 == 0: print('Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}' .format(epoch+1, num_epochs, i+1, len(train_loader), loss.item())) # 评估模型 with torch.no_grad(): correct = 0 total = 0 for images, labels in test_loader: outputs = model(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print('Accuracy of the model on the test images: {} %'.format(100 * correct / total)) # 保存模型 torch.save(model.state_dict(), 'googlenet.pth') ``` 注意，上述代码中的路径需要替换为实际的数据集路径。另外，在定义模型时，我们使用了PyTorch提供的预训练的GoogleNet模型，并将输出层的类别数设为10，因为我们的数据集有10个类别。如果你要训练的是其他类型的数据集，需要相应地修改输出层的类别数。
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值