使用ModuleDict，我有:输入类型(torch.cuda.FloatTensor)和权重类型(torch.FloatTensor)应该相同
ModuleDict是PyTorch中的一种数据结构，用于存储一组子模块（modules）并以字典的形式进行访问。对于给定的输入类型和权重类型，它们应该是相同的，即输入类型和权重类型都应该是torch.cuda.FloatTensor或torch.FloatTensor。
输入类型(torch.cuda.FloatTensor)是指输入数据的数据类型，它表示在使用CUDA加速时在GPU上存储的浮点张量。它在深度学习中常用于在GPU上进行高效的并行计算。
权重类型(torch.FloatTensor)是指模型中参数的数据类型，它表示模型的权重参数在CPU上存储的浮点张量。通常情况下，模型的参数在训练过程中会在CPU上进行计算和更新。
ModuleDict可以在不同的模块中存储不同类型的权重和输入。然而，在同一个模块中，输入类型和权重类型应该是相同的，以确保计算的正确性和一致性。
举例来说，如果我们有一个ModuleDict对象，包含两个子模块"module1"和"module2"，它们都需要接受输入类型为torch.cuda.FloatTensor的输入和权重类型为torch.FloatTensor的权重。我们可以通过以下代码创建和访问ModuleDict对象：
import torch.nn as nn
# 创建ModuleDict对象
modules = nn.ModuleDict({
"module1": nn.Linear(10, 5),
"module2": nn.Linear(5, 2)
})
# 访问子模块
module1 = modules["module1"]
module2 = modules["module2"]
# 使用子模块进行计算
input_data = torch.randn(1, 10).cuda()
output1 = module1(input_data)
output2 = module2(output1)在上述例子中，我们创建了一个ModuleDict对象，其中包含了两个线性层子模块"module1"和"module2"。我们通过索引来访问这两个子模块，并使用它们进行计算。在此例中，输入数据的数据类型为torch.cuda.FloatTensor，即在GPU上进行计算，权重的数据类型为torch.FloatTensor，即在CPU上存储。
腾讯云提供了一系列与PyTorch相关的产品和服务，如云服务器、GPU实例、容器服务等，用于支持云计算和深度学习任务。你可以在腾讯云的官方网站上找到更多关于这些产品的信息和详细介绍。
腾讯云产品链接地址：
请注意，以上链接仅供参考，实际选择产品时需要根据具体需求进行评估和比较。
相关·内容
这是：
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model.to(device)
for data in dataloader:
inputs, labels = data
outputs = model(inputs)
给出错误：
RuntimeError:输入类型(torch.FloatTensor)和权重类型(torch.cuda.FloatTensor)应该是相同的。
浏览 7提问于2019-11-23得票数 141
回答已采纳
1回答
我试图通过加载我自己的数据来扩充MNIST发现的。为此，我有numpy数组training_x，training_y，我按如下方式转换它们：
training_X = torch.from_numpy(training_X)
training_y = torch.from_numpy(training_y)
请注意，原始training_y是scikit learn的LabelEncoder的输出
并通过执行以下操作添加到DataLoader：
torch.utils.data.TensorDataset(training_X, training_y)
训练时，我收到以下错误：
TypeEr
浏览 3提问于2017-04-30得票数 1
*我将我的模型和数据设置在同一个设备上，但总是会抛出这样的错误: RuntimeError:输入类型(torch.FloatTensor)和权重类型(torch.cuda.FloatTensor)应该相同**以下是训练代码**
<code>A0</code>
当我运行以下代码以使用<code>D1</code>进行检测时。
<code>A2</code>
cap.release() cv2.destroyAllWindows()
关于如下声明的函数<code>D3</code>
<code&g
浏览 52提问于2020-06-10得票数 0
我正在使用torch编写神经网络。这是一个我无法解决的小问题。我已经将网络和网络输入输入到GPU中，但在训练过程中出现错误。 RuntimeError: Input type (torch.cuda.FloatTensor) and weight type (torch.FloatTensor) should be the same
浏览 92提问于2021-11-11得票数 0
2回答
当我尝试将我的网络和张量移动到GPU时，我得到了以下错误。我已经检查了网络参数是否已移动到GPU，并检查每个批次的张量，如果它们还没有在GPU上，则移动它们。但是我仍然得到这个问题，说在张量类型中存在不匹配-一个是torch.cuda.FloatTensor，另一个是torch.FloatTensor？有人能告诉我我哪里做错了吗？谢谢。
我的代码：
class Train():
def __init__(self, network, training, address):
self.network = network
self.address = address
浏览 0提问于2017-08-02得票数 7
回答已采纳
6回答
我试着做一件简单的事情，就是用torch训练一个随机梯度下降(SGD)的线性模型：
import numpy as np
import torch
from torch.autograd import Variable
import pdb
def get_batch2(X,Y,M,dtype):
X,Y = X.data.numpy(), Y.data.numpy()
N = len(Y)
valid_indices = np.array( range(N) )
batch_indices = np.random.choice(valid_indices
浏览 10提问于2017-07-15得票数 55
我使用GPU计算了神经网络和torch.cuda.FloatTensor (两者都存储在GPU中)输出的点积，但得到了一个错误：
TypeError: dot received an invalid combination of arguments - got (torch.cuda.FloatTensor) but expected (torch.FloatTensor tensor).
密码就像
p = torch.exp(vector.dot(ht))
这里的矢量是torch FloatTensor，ht是神经网络的输出。
我和这些东西斗争了好几天，但还是不知道。谢谢您的任何可能的解决方
浏览 2提问于2017-07-03得票数 1
我正在尝试在GPU设备上训练pytorch神经网络。为了做到这一点，我将我的输入和网络加载到默认的cuda启用的GPU decive上。然而，当我加载输入时，模型的权重不会停留在cuda张量上。这是我的火车函数
def train(network: nn.Module, name: str, learning_cycles: dict, num_epochs):
# check we have a working gpu to train on
assert(torch.cuda.is_available())
# load model onto gpu
net
浏览 0提问于2020-05-19得票数 1
我正在训练一个神经网络，它学习一些权重，并基于这些权重计算转换，生成与权重相结合的预测模型。我的网络没有正确地学习，因此我编写了一个不同的网络，它除了返回独立于输入x的权重之外什么也不做(在使用softmax和transpose进行归一化之后)。这样，我想找出问题是存在于网络还是存在于网络之外的转换估计中。但这不管用。这就是我得到的。 class DoNothingNet(torch.nn.Module):
def __init__(self, n_vertices=6890, n_joints=14):
super(DoNothingNet, self).__ini
浏览 12提问于2019-09-18得票数 1
回答已采纳
我在这个话题上找到了很多答案，但都没有帮助。
错误是
RuntimeError: Input type (torch.cuda.FloatTensor) and weight type (torch.FloatTensor) should be the same
训练回路
model = BrainModel()
model.to(device)
loss_function = nn.BCELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)
for epoch in range(EPOCHS):
for s
浏览 7提问于2021-11-03得票数 0
回答已采纳
(错误的代码库：)
我最近在Pytorch中遇到了一个奇怪的bug，希望你能帮助我。在我的一个网络中，我有一个完全连接层，称为net.fc_h1。然而，在训练过程中，我意识到这一层是在激活之前输出NaNs的。所以我把它放在pdb中，希望它能给我带来一些东西。以下是日志：
# in network declaration:
def forward(self, obs):
z1 = self.fc_h1(obs)
if np.isnan(np.sum(z1.data.numpy())):
pdb.set_trace()
h1 = F.tanh(z1)
浏览 1提问于2018-02-01得票数 3
我正在尝试我的__init__函数： self.downscale_time_conv = np.empty(8, dtype=object)
for i in range(8):
self.downscale_time_conv[i] = torch.nn.ModuleDict({}) 但在我的forward中，我有： down_out = False
for i in range(8):
if not down_out:
down_out = s
浏览 22提问于2020-04-23得票数 0
回答已采纳
我正在尝试使用pytorch训练一个DNN模型，并且我想使用GPU来训练我的模型。我可以使用model.to(device)成功地将我的模型复制到图形处理器，其中device = cuda:0。 但是，将输入复制到图形处理器的标准方法(RuntimeError: Input type (torch.FloatTensor) and weight type (torch.cuda.FloatTensor) should be the same)，即X.to(device)和X.cuda()并不能提供所需的输出。以下是我目前正在实现的方法： def train_loop(self, datalo
浏览 45提问于2021-11-20得票数 0
回答已采纳
我正在尝试将我的模式和数据、图像和标签都推送到GPU上运行，方法是： device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") 然后是： count = 0
loss_list = []
iteration_list = []
accuracy_list = []
epochs = 30
for epoch in range(epochs):
for i, (images, labels) in enumerate(trainloader):
浏览 38提问于2021-04-26得票数 2
回答已采纳
我有两个问题：
1)我想知道如何将大小为1的常量加/减到大小为30.的torch.FloatTensor的所有元素中。
2) I如何将大小为30的torch.FloatTensor的每个元素乘以一个随机值(每个元素不同与否)。
我的代码：
import torch
dtype = torch.cuda.FloatTensor
def main():
pop, xmax, xmin = 30, 5, -5
x = (xmax-xmin)*torch.rand(pop).type(dtype)+xmin
y
浏览 2提问于2017-11-13得票数 1
回答已采纳
1回答
下面是我从Pytorch教程中创建的一个自动编码器：
epochs = 1000
from pylab import plt
plt.style.use('seaborn')
import torch.utils.data as data_utils
import torch
import torchvision
import torch.nn as nn
from torch.autograd import Variable
cuda = torch.cuda.is_available()
FloatTensor = torch.cuda.FloatTensor if cu
浏览 0提问于2020-02-24得票数 0
回答已采纳
我正在尝试实现这个在上可用的程序，以便在Pytorch中显示模型摘要：：
import torch as th
from torch.autograd import Variable
from torch import nn
from collections import OrderedDict
def summary(input_size, model):
def register_hook(module):
def hook(module, input, output):
class_name = str(module.__class__
浏览 13提问于2021-10-14得票数 0
回答已采纳
我试着把我的数据放到gpu上，但它不起作用； 在我的train.py if __name__ == '__main__':
ten = torch.FloatTensor(2)
ten = ten.cuda()
print(ten)
args = config()
train_net(args, args.train_net, loss_config=net_loss_config[args.train_net]) 当它运行时，它会打印以下内容 tensor([0., 0.]) 张量不在cuda上 但在test.py中 import torch
ten=torch.Floa
浏览 24提问于2020-03-28得票数 0
免责声明--我知道，这个问题已经问过很多次了，但是我尝试过他们的解决方案，没有一个对我有用，所以在所有这些努力之后，我找不到任何其他的东西，最终我不得不再问一次。
我正在用cnns (PYTORCH)进行图像分类，我不想在GPU (nvidia gpu，兼容cuda/cuda )上训练它，我成功地在上面安装了网络，但问题在于数据。
if torch.cuda.is_available():
device = torch.device("cuda:0")
print("Running on the GPU")
print("Ava
浏览 3提问于2020-07-21得票数 0
回答已采纳
1回答
当我们处理不平衡的训练数据(负样本多，阳性样本少)时，通常会使用pos_weight参数。pos_weight的期望是，当positive sample得到错误的标签时，模型会比negative sample损失更大。使用binary_cross_entropy_with_logits函数时，我发现：
bce = torch.nn.functional.binary_cross_entropy_with_logits
pos_weight = torch.FloatTensor([5])
preds_pos_wrong = torch.FloatTensor([0.5, 1.5])
lab
浏览 2提问于2021-08-01得票数 3
回答已采纳
我得到了这个相当恼人的错误，我不知道如何纠正: RuntimeError:输入类型(torch.cuda.DoubleTensor)和权重类型(torch.cuda.FloatTensor)应该是相同的。
我正在一台启用库达的笔记本电脑(Ubuntu)上的朱庇特笔记本上运行图像检测代码。输入只有14个JPG图像和一个COCO格式的注释文件。数据集的注册似乎不是问题所在。
dataset_dicts = load_coco_json("../Downsampled/Train/annotations.json", "../Downsampled/Train", d
浏览 16提问于2022-08-08得票数 -1
1回答
我已经实现了注意力(等式)。1)的，但它显然不是内存效率高，并且只能在我的图形处理器上运行一个模型(它需要7-10 of )。
目前，我有
class MyModule(nn.Module):
def __init__(self, in_features, out_features):
super(MyModule, self).__init__()
self.in_features = in_features
self.out_features = out_features
self.W = nn.Parameter(nn.init.xavier_unif
浏览 2提问于2018-03-19得票数 0
2回答
我试图在PyTorch中掩盖(力到零)特定的权重值。我试图掩盖的权重在def __init__中是这样定义的
class LSTM_MASK(nn.Module):
def __init__(self, options, inp_dim):
super(LSTM_MASK, self).__init__()
....
self.wfx = nn.Linear(input_dim, curernt_output, bias=add_bias)
掩码在def __init__中也被定义为
self.mask_u
浏览 0提问于2018-11-29得票数 7
回答已采纳
1回答
我正在学习如何使用PyTorch建立一个神经网络。这个公式是我的代码的目标:y =2_X^3 + 7_X^2 - 8*X + 120
这是一个回归问题。
我之所以这样做，是因为它很简单，而且可以计算出输出，这样我就可以确保我的神经网络能够用给定的输入来预测输出。
然而，我在训练中遇到了一些问题。这个问题出现在这一行代码中：
loss = loss_func(prediction, outputs)
在这一行中计算的损失是NAN (不是一个数字)。
我使用MSEloss作为损失函数。用100个数据集对人工神经网络模型进行训练。输入X_train在-1000到1000之间。
我认为问题在于X_tr
浏览 0提问于2020-08-10得票数 1
回答已采纳
1回答
使用R，很容易通过神经网络近似基本函数：
library(nnet)
x <- sort(10*runif(50))
y <- sin(x)
nn <- nnet(x, y, size=4, maxit=10000, linout=TRUE, abstol=1.0e-8, reltol = 1.0e-9, Wts = seq(0, 1, by=1/12) )
plot(x, y)
x1 <- seq(0, 10, by=0.1)
lines(x1, predict(nn, data.frame(x=x1)), col="green")
predict(
浏览 1提问于2017-12-09得票数 2
1回答
刚开始学习毕火，试着做一些非常简单的事情，尝试将一个大小为5的随机初始化向量移动到1,2,3,4,5的目标向量。
但我的距离并没有减少！！我的向量x就快疯了。不知道我错过了什么。
import torch
import numpy as np
from torch.autograd import Variable
# regress a vector to the goal vector [1,2,3,4,5]
dtype = torch.cuda.FloatTensor # Uncomment this to run on GPU
x = Variable(torch.rand(5).
浏览 0提问于2018-03-07得票数 9
回答已采纳
我一直在试用用于pytorch的英特尔扩展()，以优化我的推断。我使用的是来自torchvision的预训练模型。我想比较使用ipex和不使用ipex时的改进，所以我创建了一个模型的副本，将其转换为ipex。
现在，我尝试使用我的原始模型和转换为ipex的模型进行推断。
对于转换为ipex的模型，我没有问题，但是对于我的原始模型，我得到了下面的错误。
RuntimeError: Input type (torch.FloatTensor) and weight type (XPUFloatType) should be the same
这个错误看起来像是由于我的实际模型也被转换成了ipex，
浏览 8提问于2021-09-16得票数 0
1回答
我通过一个教程构建了一个简单的网络，并得到了以下错误：
RuntimeError: torch.cuda.FloatTensor类型的预期对象，但为参数#4 'mat1‘找到torch.FloatTensor类型
有什么帮助吗？谢谢!
import torch
import torchvision
device = torch.device("cuda:0")
root = '.data/'
dataset = torchvision.datasets.MNIST(root, transform=torchvision.transforms.
浏览 1提问于2018-07-31得票数 9
回答已采纳
1回答
我在研究一个线性回归问题。
我在单变量情况下取得了成功，但是当我执行多变量线性回归时，我得到了以下错误。如何对多变量进行线性回归？
TypeError跟踪(最近一次调用)在() 9 optimizer.zero_grad() #梯度10输出=模型(输入)#输出-> 11损失=准则(输出、目标)#损失函数12 loss.backward() #向后传播13 optimizer.step() #1步优化(梯度下降)
/anaconda/envs/tensorflow/lib/python3.6/site-packages/torch/nn/modules/module.py in call
浏览 7提问于2017-04-22得票数 7
我正在学习pytorch，并将基于tensorflow (，)的anpr项目作为练习，将其移植到pytorch平台。
有一个问题，我使用nn.CrossEntropyLoss()作为损失函数：
criterion=nn.CrossEntropyLoss()
模型的output.data为：
- 1.00000e-02 *
- 2.5552 2.7582 2.5368 ... 5.6184 1.2288 -0.0076
- 0.7033 1.3167 -1.0966 ... 4.7249 1.3217 1.8367
- 0.7592 1.4777 1.8095 ... 0.
浏览 3提问于2017-04-14得票数 2
下面是一个简单的自动编码器，用于将维度为1x3：[1,2,3],[1,2,3],[100,200,500]的3个向量编码为1x1：
epochs = 1000
from pylab import plt
plt.style.use('seaborn')
import torch.utils.data as data_utils
import torch
import torchvision
import torch.nn as nn
from torch.autograd import Variable
cuda = torch.cuda.is_available()
Flo
浏览 0提问于2020-04-17得票数 1
1回答
这是一个简单的回归问题。但是无论我怎么努力，我都不能得到我想要的答案。我猜权重应该是32 (4 * 8)，但是，代码返回25。为什么会这样呢？
这是我的完整源代码：
import torch
import torch.nn as nn
import torch.optim as op
X = torch.FloatTensor([[1., 2.],[2., 4.],[3., 6.]])
Y = torch.FloatTensor([[2.],[8.],[18.]])
class TEST(nn.Module):
def __init__(self):
super(
浏览 0提问于2021-10-29得票数 0
从我在网上看到的所有内容来看，FloatTensors对于所有东西来说都是默认的，当我创建一个张量来传递给我的生成器模块时，它就是一个FloatTensor，但是当我试图通过一个线性层运行它时，它会抱怨它想要一个DoubleTensor。
class Generator(nn.Module):
def __init__(self):
super(Generator, self).__init__()
self.fully_connected = nn.Linear(100, 1024*4*4, bias=False)
def forward(self, zvec):
浏览 0提问于2018-10-29得票数 2
回答已采纳
我的输入张量是torch.DoubleTensor类型。但是我得到了下面的RuntimeError：
RuntimeError: Expected object of type torch.DoubleTensor but found type torch.FloatTensor for argument #2 'weight'
我没有明确指定权重的类型(也就是说，我没有自己初始化我的权重。权重由pytorch创建)。在转发过程中，什么会影响权重的类型？
非常感谢！
浏览 2提问于2018-03-21得票数 32
回答已采纳
在计算我的神经网络丢失时，我得到了以下错误消息: TypeError: FloatClassNLLCriterion_updateOutput收到了参数的无效组合- got ( int，torch.FloatTensor，! torch.FloatTensor !，torch.FloatTensor，bool，NoneType，torch.FloatTensor，int)，但期望(int状态、torch.FloatTensor输入、torch.LongTensor目标、torch.FloatTensor输出、bool sizeAverage、torch.FloatTensor权重或None、t
浏览 0提问于2017-11-13得票数 0
回答已采纳
我正在建立一个新的算法，它结合了python 3中的对象检测器(边界盒检测器)和python 2中的掩码生成器。这里的问题是，我有几个python 2文件是掩码生成算法所需要的。因此，我尝试2to3将我的python 2文件转换为python 3。
"RuntimeError: torch.FloatTensor类型的预期对象，但为参数#2‘权重’找到torch.cuda.FloatTensor类型
我在PyTorch论坛上搜索过，但没有一篇文章对我有用。是因为我的面具生成代码是用python 2训练的吗？
这是否意味着在加载权重和测试模型时，我应该使用python 2而不是p
浏览 0提问于2019-04-02得票数 0
回答已采纳
1回答
我试图做一个图像分类器，但我有一个问题的数据转换到GPU。
def train(train_loader, net, epoch):
# Training mode
net.train()
start = time.time()
epoch_loss = []
pred_list, label_list = [], []
for batch in train_loader:
#Batch cast on the GPU
input, label = batch
input.to(args['device'])
浏览 9提问于2022-03-13得票数 0
回答已采纳
我正在处理一个项目，在这个项目中，模型需要访问类的构造函数init中声明的张量(im子类torch.nn.Module类)，然后我需要通过一个简单的matmul()方法在forward()方法中使用这个张量，通过cuda()调用将模型发送到gpu：
model = Model()
model.cuda()
但是，当我向前传播一个简单的输入X时：
model(X) # or model.forward(X)
我得到了
RuntimeError: torch.cuda.FloatTensor类型的预期对象，但为参数#2 'mat2‘找到torch.FloatTensor类型
表示m
浏览 1提问于2019-01-12得票数 7
回答已采纳
我收到错误：
RuntimeError: Input type (torch.FloatTensor) and weight type (torch.cuda.FloatTensor) should be the same
然而，我确保在GPU上发送我的数据以及我的模型。有人能帮忙吗？
我的代码是：
net.cuda()
'''
print('pyTorch style summay: ',net)
print('Keras style summary:\n')
summary(net,(2,128,128))
''&
浏览 4提问于2020-04-10得票数 3
回答已采纳
我在jupyter实验室通过他们的官方60分钟闪电战教程(使用他们的.ipynb文件，)开始学习pytorch，并且已经成功地完成了它，直到使用gpu进行分类器的转换和训练。我想我已经成功地根据这些结果改变了网络、输入和标签的设备：
net=net.to(device)
net.fc1.weight.type()
带输出：
'torch.cuda.FloatTensor'
和：
inputs, labels = inputs.to(device), labels.to(device)
inputs.type(),labels.type()
带输出：
('torch.cu
浏览 0提问于2018-11-02得票数 1
我将我的模型和数据设置为相同的设备，但总是像这样引发错误：
RuntimeError:输入类型(torch.cuda.FloatTensor)和权重类型(torch.FloatTensor)应该相同
下面是我的训练代码，希望您能回答it.Thanks！
def train(train_img_path, train_label_path, pths_path, interval, log_file):
file_num = len(os.listdir(train_img_path))
device = torch.device("cuda:0" if t
浏览 2提问于2020-05-13得票数 0
回答已采纳
我正在尝试使用if语句在我的PyTorch代码中使用torch.FloatTensor作为数据类型，以加速其进入GPU。
这是我的密码：
import torch
import time
def fitness(x):
return torch.pow(x, 2)
def velocity(v, gxbest, pxbest, pybest, x, pop):
return torch.rand(pop).type(dtype)*v + \
torch.rand(pop).type(dtype)*(pxbest - x) + \
浏览 3提问于2017-11-14得票数 1
回答已采纳
我在一个循环中有一些损失，将它们存储在张量loss中。现在我想将权重张量乘以损失张量，以获得最终损失，但在torch.dot()之后，结果标量ll_new具有requires_grad=False。以下是我的代码。
loss_vector = torch.FloatTensor(total_loss_q)
w_norm = F.softmax(loss_vector, dim=0)
ll_new = torch.dot(loss_vector,w_norm)
完成上述操作后，我如何才能在ll_new上使用requires_grad=False？
浏览 0提问于2020-06-10得票数 0
2回答
这与现有的许多算法略有不同，拓扑排序似乎是最明显和最有效的答案。
让我们以一个例子来更清楚地解释我的意思。
我有一个DAG，从顶点A开始，到E有5个顶点/节点。我想找出从A到E的最短路径，这样每个节点本身都与路径一起加权，在某一点上，每个节点可能有超过一个加权值。节点可以有多个变量，如x、y和z，这些输入是根据某些偏好(例如用户偏好)进行加权的。因此，我们可以比x或z重得多，这考虑到了“较短的”路径。
我附上了一张图片来解释我想做什么。实现这一目标的最佳方法是什么？向节点添加权重的原因是给定输入对特定节点的偏好。
在饼图中，我们可以看到Y是加权最重的，有50%的偏好，因此我们将Y*N，其
浏览 2提问于2018-02-06得票数 1
回答已采纳
1回答
我在用前一个张量更新张量时遇到了一些困难。我的问题:假设我有一个张量x1 Nx1，另一个是通过前面的x2 Nx1计算出来的新的张量。现在，我想更新x2中小于x1的元素。我在用dtype=torch.cuda.FloatTensor。
这是Python中的直接代码：
import numpy as np
...
index = np.where(x1 > x2)
x2[index] = x1[index]
为什么我可以使用PyTorch和dtype=torch.cuda.FloatTensor来完成这个任务呢？如果x1更改为NxD
谢谢!
浏览 2提问于2017-11-14得票数 0
回答已采纳
1回答
我刚开始与Adaboost一起学习决策树，并在OpenCV上试用，并有一些问题。
增强决策树
我知道，当我使用Adaboost与决策树，我不断地拟合决策树，以重新加权版本的培训数据。分类以加权多数票进行。
当使用Adaboost训练决策树时，我可以使用引导吗？也就是说，我们选择数据集的子集，并在每个子集上训练一棵树，然后将分类器输入Adaboost。
增强决策桩
我是否对决策桩使用同样的技术？或者我可以创建与功能数量相等的树桩吗？也就是说，如果我有两个有10个特性的类，在将分类器输入Adaboost之前，我会为每个特性总共创建10个决策集。
浏览 8提问于2016-08-08得票数 1
回答已采纳
1回答
在pytorch中训练大数据失败
、、、、
我尝试在pytorch中构建两个完全连接的层，以便在多个目标[y1,y2,y3,y4,y5]中嵌入像[x1,x2,...,xn]这样的特性。我把我的代码贴在下面：
class FullConnect(nn.Module):
def __init__(self):
super(FullConnect, self).__init__()
self.fc = nn.Sequential(
nn.Linear(195, 100),
nn.Linear(100, 5)
)
de
浏览 0提问于2018-04-12得票数 1
我刚刚开始了解YOLO v5 PyTorch版本，并且能够构建一个模型，所以我尝试使用这个经过训练的模型实现一个用于实时预测的烧瓶应用程序。
用于负荷模型和预测的类
class Model(object):
def __init__(self, model):
self.device = torch_utils.select_device()
print(self.device)
model = torch.load(model, map_location=self.device)['model']
浏览 13提问于2020-11-26得票数 2
1回答
损失从第一个时代开始就在增加。
、、、、
我正在为nlp训练我的暹罗网络。我在其中使用了lstm。和BCELoss。从第一个时代开始，我的损失就越来越大。在272.4357是大小为1的torch.FloatTensor之后，前36个历元损失是错误的
%1之后的错误是大小为%1的271.8972 torch.FloatTensor
%2之后的错误是大小为%1的271.5598 torch.FloatTensor
%3之后的错误是大小为%1的271.6979 torch.FloatTensor
%4之后的错误是大小为%1的271.7315 torch.FloatTensor
%5之后的错误是大小为%1的272.3965 torch.Flo
浏览 11提问于2018-01-31得票数 0
回答已采纳
返回last_hidden_state (torch.FloatTensor of shape (batch_size，sequence_length，hidden_size))：模型最后一层输出的隐藏状态序列。
pooler_output (torch.FloatTensor: of shape (batch_size，hidden_size))：由线性层和Tanh激活函数进一步处理的序列的第一个令牌的最后一层隐藏状态(分类令牌)。在预训练过程中，从下一个句子预测(分类)目标中训练线性层权重.
这个输出通常不是对输入的语义内容的一个很好的总结，您通常会更好地平均或合并整个输入序列的隐藏状态
浏览 2提问于2020-04-20得票数 12
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM活动推荐
腾讯云开发者
