如何從輸出層獲得連續值

我有一個代碼（來自這里）來分類MINST數字。該代碼運行良好。這里他們使用了CrossEntropyLoss和Adam優化器。

模型代碼如下

class CNN（nn.Module）。
    def __init__（self）。
        super（CNN, self）.__init__()
        self.conv1 = nn.Sequential(         
            nn.Conv2d(
                in_channels=1,                
                out_channels=16,            。
                kernel_size=5,              。
                  stride=1,                      。
                  padding=2,                             。

            nn.ReLU(),                              。
            nn.MaxPool2d(kernel_size=2),    
        )
        self.conv2 = nn.Sequential(         
            nn. Conv2d(16, 32, 5, 1, 2)，     
            nn.ReLU(),                          。
            nn.MaxPool2d(2),                  。
          )
        #全連接層，輸出10類。
        self.out = nn.Linear(32 * 7 * 7，10)
        # self.softmax = torch.nn.Softmax（dim=1）
    def forward（self, x）。
        x = self.conv1(x)
        x = self.conv2(x)
        # flatten the output of conv2 to (batch_size, 32 * 7 * 7)/span>
        x = x.view(x.size(0), -1)       
        output = self.out(x)
        # output = self.softmax(output)/span>
        return output, x    # return x for visualization。

`b_x`的形狀 和 `b_y` 是的

torch. Size([100, 1, 28, 28]) torch.Size([100] ]

現在，我想從輸出層獲得連續值。比如說，我想讓輸出為alike，即1.0、0.9、8.6、7.0等。如果輸出層的值是1.0，并且標簽是1，這意味著預測是完美的。否則，就不完美。更簡單地說，我想把MNIST數字當成一個回歸問題。

因此，我將損失函式改為MSELoss，將優化器改為SGD（代碼的其余部分與網站相同）。但是現在，我得到了一個錯誤

/home/Opps_0/.local/lib/python3.8/site-packages/torch/nn/modules/loss.py：528。UserWarning。使用一個目標尺寸（torch.Size([100]），是不同于輸入尺寸（torch. Size([100, 10])。這很可能會因為廣播而導致不正確的結果。請確保它們具有相同的尺寸。   return F.mse_loss(input, target, reduction=self.reduction) 回溯（最近一次呼叫）。   File "/usr/lib/python3.8/runpy.py", line 194, in _run_module_as_main     return _run_code(code, main_globals, None,   File "/usr/lib/python3.8/runpy.py", line 87, in _run_code     exec(code, run_globals)   File "/home/Opps_0/Desktop/MNIST/src/train.py", line 60, in < module>     train(NB_EPOCS, model, loaders)   File "/home/Opps_0/Desktop/MNIST/src/train.py", line 45, in train     loss = criterion(output, b_y)   File "/home/Opps_0/.local/lib/python3.8/Site-packages/torch/nn/modules/module.py", line 889, in _call_impl     result = self.forward(*input, **kwargs)   檔案 "/home/Opps_0/.local/lib/python3.8/site-packages/torch/nn/modules/loss.py", line 528, in forward     return F.mse_loss(input, target, reduction=self.reduction)   檔案 "/home/Opps_0/.local/lib/python3.8/site-packages/torch/nn/functional.py", line 2925, in mse_loss     expanded_input, expanded_target = torch.broadcasting_tensors(input, target)   檔案 "/home/Opps_0/.local/lib/python3.8/Site-packages/torch/functional.py", 行 74, in broadcast_tensors     return _VF.broadcast_tensors(tensors)  # type: ignore。 RuntimeError。張量a（10）的大小必須與張量b（100）在非單子維度的大小相匹配1。

你能告訴我，為了得到輸出層的連續值，我必須要改變什么嗎？

uj5u.com熱心網友回復：

假設你的目標是以(batch_size,)的形式出現的，那么大致是這樣的：

 >>> model = CNN（)
 >>> criterion = nn.MSELoss()

 >>> output, _ = model(torch.rand( 2,  1,  28,  28)
 >>> b_y = torch.randint(0, 10, (2,)
 張量([1, 2, 6, 5, 7] )

用MSELoss進行損失計算的結果是：

 >>> loss = criterion(output, b_y)

RuntimeError: 張量a (10)的大小必須與張量b (2)在非單一維度1的大小一致。

這意味著你的目標b_y的形狀是不正確的，它需要與output的形狀相匹配，即它需要是一個二維的張量。

由于你正在用回歸損失來優化這項任務，你可以將你的目標編碼為稀疏向量，也被稱為one-hot編碼。你可以使用內置的torch.nn.functional.one_hot輕松地做到這一點：

>>> ohe_target = torch.nn.functional.one_hot(b_y, num_classes=10)
張量([[0, 1, 0, 0, 0, 0, 0, 0, 0]。
        [0, 0, 1, 0, 0, 0, 0, 0, 0]。
        [0, 0, 0, 0, 0, 1, 0, 0, 0】。]
        [0, 0, 0, 0, 1, 0, 0, 0, 0】。]
        [0, 0, 0, 0, 0, 0, 1, 0, 0] ])

現在你可以正確計算損失了：

標籤：

上一篇：webpack中的開發模式有什么好處？

下一篇：無法使用service.bat安裝Tomcat9