Question

我尝试对ForestFires数据集运行线性回归。数据集在Kaggle上可用，我的尝试要点在这里： https://gist.github.com/Chandrak1907/747b1a6045bb64898d5f9140f4cf9a37

我面临两个问题：

预测的输出形状为32x1，目标数据形状为32。

输入形状与目标形状不匹配：输入[32 x 1]，目标[32]¶

使用视图重塑了预测张量。

y_pred = y_pred.view（inputs.shape [0]）

为什么预测张量和实际张量的形状不匹配？

SGD从未收敛。我尝试使用

print（torch.mean（（y_pred-标签）** 2））

此值不匹配

损失=准则（y_pred，标签）

有人可以突出显示我的代码中的错误在哪里吗？

谢谢。

Answer 1

问题1

这是来自Pytorch文档的有关MSELoss的参考：https://pytorch.org/docs/stable/nn.html#torch.nn.MSELoss

Shape:
 - Input: (N,∗) where * means, any number of additional dimensions
 - Target: (N,∗), same shape as the input

因此，您需要使用torch.unsqueeze(labels, 1)或labels.view(-1,1)

来扩展标签的暗色：（32）->（32,1）

https://pytorch.org/docs/stable/torch.html#torch.unsqueeze

torch.unsqueeze（输入，暗淡，输出=无）→张量

返回在指定位置插入的尺寸为1的新张量。

返回的张量与此张量共享相同的基础数据。

问题2

在检查了代码之后，我意识到您已经向MSELoss添加了size_average参数：

criterion = torch.nn.MSELoss(size_average=False)

size_average（布尔型，可选）–已弃用（请参见缩减）。默认情况下，损失是批次中每个损失元素的平均数。请注意，对于某些损失，每个样本有多个元素。如果将字段size_average设置为False，则对每个小批量将损失相加。当reduce为False时被忽略。默认值：True

这就是为什么两个计算值不匹配的原因。这是示例代码：

import torch
import torch.nn as nn

loss1 = nn.MSELoss()
loss2 = nn.MSELoss(size_average=False)
inputs = torch.randn(32, 1, requires_grad=True)
targets = torch.randn(32, 1)

output1 = loss1(inputs, targets)
output2 = loss2(inputs, targets)
output3 = torch.mean((inputs - targets) ** 2)

print(output1)  # tensor(1.0907)
print(output2)  # tensor(34.9021)
print(output3)  # tensor(1.0907)

pytorch线性回归

1 个答案:

问题1

问题2