YJ语

最近在完成机器学习的期末论文时，使用PyTorch搭建模型，爆出以下错误原因：PyTorch中所期待的数据类型，和输入数据类型不一致问题解决：改变数据集的输入类型

1 准备数据import torchimport torch.nn as nnfrom torchvision import transformsfrom torchvision import datasetsfrom torch.utils.data import DataLoaderimport torch.nn.functional as Fimport torch.optim as optim # prepare dataset batch_size = 64transfor

0 写在前面0.1 流程图0.2 文中代码解释1、torch.nn.Conv2d(1,10,kernel_size=3,stride=2,bias=False)1是指输入的Channel，灰色图像是1维的；10是指输出的Channel，也可以说第一个卷积层需要10个卷积核；kernel_size=3,卷积核大小是3x3；stride=2进行卷积运算时的步长，默认为1；bias=False卷积运算是否需要偏置bias，默认为False。padding = 0，卷积操作是否补0。

注意几个点：这里使用的是MNIST数据集，使用的是5层的全连接结构（算上输入层）softmax的输入不需要再做非线性变换，模型会将其输出——计算对应的占比1 prepare datasetimport torchfrom torchvision import transformsfrom torchvision import datasetsfrom torch.utils.data import DataLoaderimport torch.nn.functional as Fimp

此部分内容：1、将原始数据集分为训练集和验证集2、对训练集进行批量梯度下降3、评估验证集的准确率注意：1、DataSet 是抽象类，不能实例化对象，主要是用于构造我们的数据集2、DataLoader 需要获取DataSet提供的索引[i]和len;用来帮助我们加载数据，比如说做shuffle(提高数据集的随机性)，batch_size,能拿出Mini-Batch进行训练。它帮我们自动完成这些工作。DataLoader可实例化对象。DataLoader is a class to help

1 准备数据import torchimport matplotlib.pyplot as pltimport numpy as npxy = np.loadtxt('./资料/data/diabetes.csv.gz', delimiter=',', dtype=np.float32)# 第一个‘：’是指读取所有行，第二个‘：’是指从第一列开始，最后一列不要x_data = torch.from_numpy(xy[:,:-1])# [-1] 最后得到的是个矩阵y_data = tor

1 Prepare datasetimport torch# prepare dataset# x,y是矩阵，3行1列 也就是说总共有3个数据，每个数据只有1个特征x_data = torch.tensor([[1.0], [2.0], [3.0]])y_data = torch.tensor([[2.0], [4.0], [6.0]])2 Design model using Class#design model using classclass LinearModel(torch.nn

1 prepare datasetimport torch# x,y是矩阵，3行1列 也就是说总共有3个数据，每个数据只有1个特征x_data = torch.tensor([[1.0], [2.0], [3.0]])y_data = torch.tensor([[2.0], [4.0], [6.0]])2 design model using classclass LinearModel(torch.nn.Module): def __init__(self): su

1 Prepare the training setimport torchx_data = [1.0, 2.0, 3.0]y_data = [2.0, 4.0, 6.0]w = torch.tensor([1.0]) # w的初值为1.0w.requires_grad = True # 需要计算梯度2 Define the linear modeldef forward(x): return x*w # w是一个Tensor3 Define the loss functio

import numpy as npimport matplotlib.pyplot as pltfrom mpl_toolkits.mplot3d import Axes3D1 Prepare the training set# 数据集x_data = [1.0, 2.0, 3.0]y_data = [2.0, 4.0, 6.0]2 Initial guess of weight.w = 13 Define the model:# 正向传播def forward(x):

import numpy as npimport matplotlib.pyplot as pltfrom mpl_toolkits.mplot3d import Axes3D1 Prepare the train set.# 数据集x_data = [1.0, 2.0, 3.0]y_data = [2.0, 4.0, 6.0]2 Define the model# 正向传播def forward(x): return x * w + b3 Define the loss