最终层的张量输出在PyTorch中的形状错误
在PyTorch中，张量是一种多维数组，可以表示为不同形状的数据结构。当最终层的张量输出形状错误时，可能有以下几个原因：
- 数据维度不匹配：最终层的张量输出形状错误可能是由于前一层的输出与当前层期望的输入形状不匹配导致的。在神经网络中，每一层的输入形状必须与前一层的输出形状相匹配，否则会出现形状错误。
- 激活函数选择错误：神经网络中常用的激活函数有ReLU、Sigmoid、Tanh等。不同的激活函数对输入数据的形状有不同的要求，选择错误的激活函数可能导致最终层的张量输出形状错误。
- 损失函数选择错误：神经网络的训练过程中需要选择适当的损失函数来衡量模型的预测结果与真实标签之间的差异。选择错误的损失函数可能导致最终层的张量输出形状错误。
针对以上问题，可以采取以下解决方法：
- 检查网络结构：仔细检查神经网络的每一层的输入形状和输出形状是否匹配，确保数据维度的一致性。
- 检查激活函数：根据具体任务的需求，选择合适的激活函数，并确保激活函数对输入数据的形状要求与前一层的输出形状相匹配。
- 检查损失函数：根据具体任务的需求，选择合适的损失函数，并确保损失函数对最终层的输出形状要求与真实标签的形状相匹配。
此外，腾讯云提供了一系列与人工智能相关的产品和服务，可以帮助开发者在云计算领域进行模型训练和部署。例如，腾讯云提供了AI Lab平台，其中包括了AI开发套件、AI推理服务、AI模型训练等功能，可以帮助开发者快速构建和部署人工智能模型。具体产品介绍和链接如下：
- AI开发套件：提供了丰富的人工智能开发工具和框架，包括PyTorch、TensorFlow等。详情请参考：AI开发套件
- AI推理服务：提供了高性能的人工智能推理服务，支持多种模型和框架。详情请参考：AI推理服务
通过使用腾讯云的人工智能产品和服务，开发者可以更好地应对PyTorch中最终层的张量输出形状错误的问题，并加速模型的训练和部署过程。
相关·内容
2回答
我有一个形状的输入张量(32,256,256,256)。在这个张量形状中，32是批次大小。第二，256是给定大小为256×256的图像中的信道数。
我想做池，以便将张量转换成形状( 32，32,256,256)。在PyTorch中，如果我尝试应用池，则形状的最后两个维度(与图像相关)正在发生变化，但与通道相关的维度却没有变化。
能否将池应用于输入张量以获得输出张量？如果不可能，建议我如何将输入张量转换为输出张量？
浏览 0提问于2021-09-23得票数 1
我不知道如何将PyTorch方法adaptive_avg_pool2d转换为Keras或TensorFlow。有人能帮忙吗？PyTorch方法
adaptive_avg_pool2d(14,[14])
我尝试使用平均池，在Keras中重新构造张量，但得到了错误：
ValueError:新数组的总大小必须保持不变
浏览 4提问于2018-10-03得票数 4
1回答
在使用pytorch时，我可以使用numpy数组吗？
我正在将一段代码从tensorflow转换为pytorch，代码在计算过程中使用numpy数组。在计算过程中，我可以将输入保持为numpy数组吗?还是必须将它们转换为torch张量？
浏览 0提问于2021-07-13得票数 0
我有下面的代码。
embedded = self.embedding(input).view(1, 1, -1)
embedded = self.drop(embedded)
print(embedded[0].size(), hidden[0].size())
concatenated_output = torch.cat((embedded[0], hidden[0]), 1)
代码的最后一行给出了以下错误。
/data/users/soumith/miniconda2/conda-bld/pytorch-0.1.9_1487344852722/work/torch/lib/THC/ge
浏览 1提问于2017-03-17得票数 3
回答已采纳
1回答
我有两个PyTorch张量A，形状30，11，32，64和B，形状30，11，89。我的目标是创建一个形状为30，11，89，32，64的张量C，其中张量A应该扩展并在第三维复制，然后在适当的维度与张量B相乘。 如何在PyTorch中实现这一点？
浏览 21提问于2020-01-14得票数 1
我在PyTorch中有一个大小的张量(32,128，50)。这些是50个字嵌入，批处理大小为32.也就是说，我大小中的三个索引对应于批数、最大序列长度(带有“pad”令牌)和每个嵌入的大小。现在，我想通过一个线性层来获得一个大小(32,128，1)的输出。也就是说，对于每一个嵌入在每个序列中的单词，我想把它变成一维的。我试着在我的网络中添加一个线性层，从50到1维，输出张量是所需的形状。所以我认为这是可行的，但是我想了解PyTorch是如何处理这个问题的，因为我没有明确地告诉它要将线性层应用到哪个维度。我玩过这个发现：
如果我输入一个形状张量(32，50，50) --因此，通过有两个维度，
浏览 12提问于2022-02-17得票数 0
回答已采纳
1回答
我有两个张量的火把，这些形状：
torch.Size(64,100)和torch.Size(64,100,256)
我想通过torch.cat把它们连接起来，但是它们应该是相同的形状和大小。所以我得到了这个错误：
RuntimeError:张量必须具有相同的维数: got 2和3
我该怎么做才能解决这个问题？如何将二维PyTorch张量转换为三维张量，或者如何在不丢失任何数据的情况下将三维PyTorch张量转换成二维张量？或者其他的想法？
浏览 5提问于2021-12-07得票数 0
回答已采纳
在处理与问答(MRC)相关的问题时，我实现了两种不同的架构，它们独立地给出了两个张量(令牌上的概率分布)。这两个张量都是维度(batch_size,512)。我希望获得表单(batch_size,512)的最终输出。如何使用可训练权重组合两个张量，然后根据最终预测训练模型？
编辑(附加信息)：
因此，在我的NN模型的前向函数中，我使用BERT模型对512个令牌进行编码。这些编码是768维的。然后，这些被传递到线性层nn.Linear(768,1)以输出形状张量(batch_size,512,1)。除此之外，我还有另一个建立在BERT编码之上的模型，它也产生了形状的张量(batch_size，5
浏览 5提问于2020-06-21得票数 0
我试图根据另外两个张量的内容组装一个张量，如下所示：
我有一个叫A的二维张量，它的形状为I* J，另一个叫B的二维张量，它的形状为M* N，其元素是A的第一维的指数，我想得到一个具有M*N*J形状的三维张量C，使得[0，M)中的所有m和[0，N]中的所有m都有C[m,n,:] == A[B[m,n],:]。
我可以使用嵌套的for-循环来迭代M和N中的所有索引，在每个索引上分配正确的值给C，但是M和N很大，所以速度很慢。我怀疑有一些更好的，更快的方法来做这件事，使用聪明的切片或内置的pytorch函数，但我不知道它会是什么。它看起来有点像使用torch.gather()的地方，但这需要所有张量
浏览 3提问于2022-01-31得票数 1
回答已采纳
2回答
这似乎是PyTorch中关于LSTM最常见的问题之一，但我仍然无法弄清楚PyTorch LSTM的输入形状应该是什么。
即使在跟踪了几个帖子(、、)并尝试了解决方案之后，它似乎也不起作用。
背景:我在一批大小为12的文本序列中编码了文本序列(可变长度)，并使用pad_packed_sequence功能对序列进行填充和打包。每个序列的MAX_LEN为384，序列中的每个令牌(或word)的维数为768。因此，我的批处理张量可能具有以下形状之一：[12, 384, 768]或[384, 12, 768]。
批处理将是我对PyTorch rnn模块的输入。
根据PyTorch的文档，它的输入维度是(
浏览 6提问于2020-05-06得票数 16
回答已采纳
我已经从类Sequential (参见)创建了Pytorch对象。正如他们建议的那样，我使用命令torch.save(model.state_dict(), PATH)保存它。
似乎一切都很好，因为当我在另一个文件中使用torch.load(PATH)时，我得到了一个有序的数据集，如
'0.weight': tensor([[ 0.1202, ...]]) ,
'0.bias': tensor([ 0.1422, ...]) ,
...
所有张量的形状都是正确的。然而，当做
model = Sequential()
model.load_state_dict(
浏览 8提问于2022-09-05得票数 -1
回答已采纳
1回答
我对在Pytorch中使用LSTM非常陌生，我正在尝试创建一个模型，它得到一个大小为42的张量和一个大小为62的序列(即62个大小为42的张量a)。这意味着我在一个序列中有62个张量。每个张量的大小为42。(形状为62,42。将此输入张量称为。 我想预测一个张量为1，序列为8(因此大小为1的张量和8个序列)。这意味着在一个大小为1的序列中有8个张量。把这个标号叫做张量。 这些张量之间的联系是这样的:输入张量由列组成: A1，A2，A3……A42 While label tensor if more like: A3 我试图展示的是，如果需要，可以在所有位置用零填充标签张量，而不是A3的值，因
浏览 22提问于2019-12-29得票数 5
回答已采纳
1回答
我正在尝试使用torch.utils.tensorboard记录我的神经网络结构。但是，当我使用作者的add_graph函数时，出现了以下错误：
Cannot insert a Tensor that requires grad as a constant. Consider making a parameter or input, or detaching the gradient.
然后打印一个形状张量(512,512)，它等于模型输入和输出维的一个隐藏层。
我使用的代码如下：
from torch.utils.tensorboard import SummaryWriter
writer
浏览 16提问于2022-01-17得票数 1
Pytorch提供torch.topk(input, k, dim=None, largest=True, sorted=True)函数来计算给定维数dim上给定input张量的k最大元素。
我有一个(64, 128, 512)形状的张量，我使用torch.topk的方式如下-
reduce = input.topk(k, dim=1).values
我发现类似的tensorflow实现如下- tf.nn.top_k(input, k=1, sorted=True, name=None)。
我的问题是如何将dim=1参数加入到tf.nn.top_k中，从而实现与pytorch计算的形状相同的张
浏览 6提问于2022-01-20得票数 1
回答已采纳
我想对具有形状(N，C，H，W)的概率分布的张量进行采样，其中维度1(大小C)包含具有‘C’可能性的归一化概率分布。是否有pytorch函数可以并行有效地对张量中的所有分布进行采样？我只需要对每个分布采样一次，因此结果可以是具有相同形状的单热点张量，也可以是具有形状(N，1，H，W)的指数张量。
浏览 23提问于2021-05-19得票数 0
1回答
由指数张量求次张量的局部最大值
、、、、
我有一个张量x的形状(1,n)和另一个指数张量d的形状(1,k)。我想找出k次张量的最大值
x[0:d[0]], x[d[0]:d[1]], x[d[1]:d[2]], ..., x[d[-2]: d[-1]]
因此，输出是具有(1,k)局部最大值的形状k的张量。我可以实现一个for循环，但是太慢了。我可以在PyTorch (或Numpy)中并行执行吗？
浏览 17提问于2022-08-19得票数 0
1回答
我想知道是否有可能将两个不同形状的pytorch张量连接起来。一个张量的形状为torch.Size(247247)，另一个张量的形状为torch.Size(10,183)。在dim=1上使用torch.cat()可以将它们连接起来吗？
浏览 16提问于2020-12-27得票数 0
1回答
Conv2d的期望参数
、、、、
以下代码：
import torch
import torch.nn as nn
import torchvision
import torchvision.transforms as transforms
import torch.utils.data as data_utils
import numpy as np
train_dataset = []
mu, sigma = 0, 0.1 # mean and standard deviation
num_instances = 20
batch_size_value = 10
for i in range(num_instances
浏览 0提问于2018-08-16得票数 4
回答已采纳
4回答
对于numpy，我可以这样做一个简单的矩阵乘法：
a = numpy.ones((3, 2))
b = numpy.ones((2, 1))
result = a.dot(b)
但是，这不适用于PyTorch：
a = torch.ones((3, 2))
b = torch.ones((2, 1))
result = torch.dot(a, b)
此代码引发以下错误：
RuntimeError:一维张量，但得到二维张量和二维张量
如何在PyTorch中执行矩阵乘法？
浏览 9提问于2017-06-13得票数 84
回答已采纳
我开始使用pytorch，并使用一些转换来构建以下模型，使用其中一个教程作为参考：
model = torch.nn.Sequential(
torch.nn.Linear(D_in, H),
torch.nn.ReLU(),
torch.nn.Linear(H, D_out),
)
我想使用LSTM网络，所以我尝试执行以下操作：
model = torch.nn.Sequential(
torch.nn.LSTM(D_in, H),
torch.nn.Linear(H, D_out)
)
这就给了我这个错误：
RuntimeErro
浏览 58提问于2018-05-28得票数 3
1回答
我知道PyTorch没有一个map-like函数来对张量的每个元素应用一个函数。那么，如果在map-like函数中没有PyTorch，我可以执行类似于以下的操作吗？
if tensor_a * tensor_b.matmul(tensor_c) < 1:
return -tensor_a*tensor_b
else:
return 0
如果张量是1D的话，这是可行的。但是，当tensor_b是2D时，我需要这样做(tensor_a在return语句中需要是unsqueezed )。这意味着应该返回一个2D张量，其中一些行将是0向量。
很高兴使用最新Python版本的最新特
浏览 1提问于2021-01-23得票数 3
回答已采纳
1回答
我有两个形状相同的PyTorch张量A和B，我想创建一个形状相同的“随机混合”张量C，其中Ci，... = Ai，...概率α或Bi，..。概率为1-α。有没有什么Pythonic式的方法可以简洁地完成这个任务？
浏览 3提问于2020-11-27得票数 1
2回答
我正在通过Pytorch，并希望在区间[3，7]中创建一个形状为5X3的随机张量。 torch.rand(5, 3 )将返回一个形状为5X3的随机张量，但是，我无法计算出如何设置给定的间隔。 请指点一下。
浏览 11提问于2021-01-08得票数 0
回答已采纳
我们正在尝试使用LSTM重建模型。
在Pytorch中，LSTM知道输入了3D数据。
从上面的图片中，我现在将它放在下面的形状中。
(batch、lstm_num、dv_batch、dvector)
lstm_num:使用的LSTM数量
我想知道是否有其他方法可以使用lstm_num作为循环或张量本身来处理4维数据。
原始处理方法代码如下。
在原始版本中，我们得到一个
(batch，dv_batch，dvector)在三维数据中。
for epoch in range(init_epoch, max_epochs):
for i, (dvec_batch, prob_batch) i
浏览 3提问于2020-05-25得票数 0
使用PyTorch，torch.combinations将只接受一个一维张量作为输入，但我想将它应用于多维张量中的每个一维张量。
inp = torch.tensor([[1, 2, 3],
[2, 3, 4]])
torch.combinations((inp), r=2)
结果是一个错误，说我不能将它应用于那个形状，但我想单独将它应用于[1, 2, 3]和[2, 3, 4]。我不能一个一个地做，因为我的想法是将这个应用于大数据集。
inp = torch.tensor([[1,2,3],[2,3,4]])
inp_tuple = torch.un
浏览 44提问于2022-08-01得票数 0
回答已采纳
1回答
我想要找出沿特定轴的张量中非零元素的数量。有没有什么PyTorch函数可以做到这一点？
我尝试在PyTorch中使用方法。
torch.nonzero(losses).size(0)
这里，lossess是形状64 x 1的张量。当我运行上面的语句时，它给出了以下错误。
TypeError: Type Variable doesn't implement stateless method nonzero
但如果我运行，torch.nonzero(losses.data).size(0)，它就能正常工作。有什么线索，为什么会发生这种情况，或者这个错误意味着什么？
浏览 9提问于2017-07-01得票数 3
回答已采纳
这似乎是一个基本的问题，但我无法解决。
在神经网络的前通过中，我有一个形状为8x3x3的输出张量，其中8是我的批次大小。我们可以假定每个3x3张量都是一个非奇异矩阵。我需要找到这些矩阵的逆。PyTorch 函数仅适用于方阵。既然我现在有8x3x3，如何以可微的方式将此函数应用于批处理中的每个矩阵？
如果我迭代这些示例并将逆附加到python列表中，然后将其转换为PyTorch张量，那么它是否会在备份期间出现问题呢？(我的问题是，因为将PyTorch张量转换为numpy来执行一些操作，然后返回到张量，就不会在支持这些操作时计算梯度)。
当我尝试做类似的事情时，我也会得到以下错误。
a = tor
浏览 23提问于2017-10-05得票数 10
我正在尝试使用PyTorch实现一个简单的自动编码器。我的数据集由256 x 256 x 3图像组成。我已经构建了一个torch.utils.data.dataloader.DataLoader对象，它将图像存储为张量。当我运行自动编码器时，我得到一个运行时错误：
尺寸不匹配，/Users/soumith/minicondabuild3/conda-bld/pytorch_1518371252923/work/torch/lib/TH/generic/THTensorMath.c:1434 : m1: 76800 x256，m2: 784x128
这些是我的超参数：
batch_siz
浏览 0提问于2018-04-02得票数 12
回答已采纳
Pytorch提供torch.topk(input, k, dim=None, largest=True, sorted=True)函数来计算给定维数dim上给定input张量的k最大元素。
我有一个(16, 512, 4096)形状的张量，我使用torch.topk的方式如下-
# inputs.shape (16L, 512L, 4096L)
dist, idx = torch.topk(inputs, 64, dim=2, largest=False, sorted=False)
# dist.shape (16L, 512L, 64L), idx.shape (16L, 512L, 6
浏览 0提问于2018-09-01得票数 2
1回答
移除火把中的零维
、、、
我有torch.tensor，其尺寸为0 x 240 x 3 x 540 x 960
我只想移除0维，所以我想要有放火器张量
240x3x540 x 960的大小。
我用tensor= torch.squeeze(tensor)来尝试，但是零维没有被移除.
在我的例子中，张量的大小是可变的，所以我不能硬编码到torch.squeeze。
有什么简单的方法来删除pytorch.tensor中不想要的维度吗？
浏览 2提问于2021-05-18得票数 3
回答已采纳
1回答
我有以下形状的PyTorch张量：(100，5,100)。我需要将它转换成形状张量( 100,100)，从每一行中只选择第二维中的一个项，这意味着在这5个元素中，我只需要一个，与其对应的100个元素。
为了执行这个操作，我有第二个形状张量(100 )，它的索引指定在每一行中应该选择哪一项。
有没有一种简单的方法来执行这一选择，而不必过多地处理尺寸？
浏览 5提问于2022-04-21得票数 1
回答已采纳
1回答
我试图优化一个PyTorch张量，我也使用它作为网络的输入。让我们把这个张量称为“形状”。我的优化器如下：
optimizer = torch.optim.Adam(
[shape],
lr=0.0001
)
我还使用这个“形状”张量来获取顶点值：
vertices = model(shape)
我的损失函数计算损失，就像推导的顶点和地面真相顶点的差异一样：
loss = torch.sqrt(((gt_vertices - vertices) ** 2).s
浏览 0提问于2021-08-18得票数 0
回答已采纳
1回答
毕氏张量标引
、、
我目前正致力于将一些代码从tensorflow转换为py手电筒，我遇到了 func的问题，没有直接的函数来转换它。
我想做的基本上是索引，我有两个张量，特征张量形状的[minibatch, 60, 2]和索引张量[minibatch, 8]，比如第一个张量是张量A，第二个张量是B。
在Tensorflow中，它直接用tf.gather(A, B, batch_dims=1)转换
我如何在火把中实现这一点？
我尝试过A[B]索引。这似乎不管用
A[0]B[0]可以工作，但形状的输出是[8, 2]
我需要[minibatch, 8, 2]的形状
如果我像[stack, 8, 2]那样叠加张量，它可
浏览 1提问于2019-07-17得票数 3
回答已采纳
1回答
添加形状不匹配的图层输出
、、、
我正在尝试构建一个V-Net，正如所描述的那样，其中需要包括Add层。但是，当来自Input层的张量的形状在下面的Conv3D层中被修改时，Add层会报告ValueError，因为输出张量的形状不再匹配。Add要求这些形状相同。
在我的例子中：
ValueError: Operands could not be broadcast together with shapes (3, 87, 512, 512) (16, 87, 512, 512)
不幸的是，Add层有一个足够通用的术语，使得在线搜索不会返回相关的匹配结果。
示例代码：
# Assume imports are present
浏览 0提问于2019-11-18得票数 0
我使用PyTorch在量子计算机上模拟NNs，因此我必须使用带有ComplexFloatTensor数据类型的张量。当我在GPU上运行这一行代码时：
torch.matmul(A.transpose(1,2).flatten(0,1), H.flatten(1,2)).reshape(N,steps,2**n,2**n).transpose(0,1)
当张量很大时，我得到以下错误：
RuntimeError: CUDA error: CUBLAS_STATUS_NOT_SUPPORTED when calling `cublasCgemm( handle, opa, opb, m, n, k,
浏览 14提问于2022-01-12得票数 1
回答已采纳
给出了一个Huggingface模型。
from transformers import AutoModelForSequenceClassification
model = AutoModelForSequenceClassification.from_pretrained("bert-large-uncased", num_labels=2)
我可以访问图层的张量：
# Shape [1024, 1024]
model.state_dict()["bert.encoder.layer.0.attention.self.query.weight"]
输出
浏览 34提问于2022-09-07得票数 1
回答已采纳
2回答
给定张量x和y，每个张量都具有形状(num_batches, d)，我如何使用PyTorch来计算批处理中x和y的每个组合的和？
这类似于外部乘积，除了我们不想乘，而是和。(这意味着我可以通过幂、外积和取日志来解决这个问题，但这当然有数值和性能上的缺点)。
它可以通过笛卡尔乘积来完成，然后对每一个组合进行求和。
本质上，我喜欢osum[b, i, j] == x[b, i] + y[b, j]。PyTorch能在没有循环的张量中做到这一点吗？
浏览 24提问于2022-07-13得票数 0
回答已采纳
1回答
我有以下问题:给定形状(T，n，d)的两个张量X和形状(R，m，d)的Y，我想计算形状(T，R，n，m，d)的张量D，使得对于所有0 <= t< T，1 <= r< R，1 <= i< n，1 <= j< m， Dt，r，i，j= Xt，i- Yr，j 我们可以在不使用循环的情况下用Pytorch计算D吗？ 我知道，当给定形状(n，d)的两个张量X和形状(m，d)的Y时，我们可以计算形状(n，m，d)的张量D，使得对于所有1 <= i< n，1 <= j< m，Di，j= Xi - Yj x.unsqueeze(1) -
浏览 28提问于2021-06-17得票数 2
回答已采纳
我试图在TF 2.x中对一批参差不齐的张量运行BatchNormalization，但在执行此操作时似乎遇到了错误。(我可以在BatchNorm转发调用之前和之后对参差不齐的张量进行转换，但无法在NonEager模式下运行to_tensor()，这是我有效训练网络的必要条件)。 Pytorch有一个BatchNorm1D，但是TF似乎没有这样的API，任何建议/指针都会很有帮助。
浏览 16提问于2021-02-10得票数 0
1回答
我有一个形状为[66,7,7,1024]的PyTorch视频特征张量，我需要将它转换为[1024,66,7,7]。如何重新排列张量形状？另外，如何在dimension=1上执行mean？也就是说，在执行了尺寸为66的维度的平均值之后，我需要张量为[1024,1,7,7]。 我曾尝试计算dimension=1的平均值，但未能将其替换为平均值。我不能想象一个4D张量，其中一个维度被它的平均值所取代。 编辑:我尝试了torch.mean(my_tensor，dim=1)。但这返回了一个1024,7,7形状的张量，4D张量正被转换成3D张量。但我希望它保持4D，形状为1024,1,7,7。 非常感谢
浏览 117提问于2019-12-21得票数 0
回答已采纳
我对KerasDocuments中的MultiHeadAttention层文档中提到的查询和关键张量的维度感到困惑。
查询：形状查询张量(B，T，dim) 值：形状值张量(B，S，dim)。
在这里，我假设T和S对应于模型中输入的单词序列，这应该是相同的，为什么它们是不平等的呢？
浏览 3提问于2021-07-06得票数 0
回答已采纳
2回答
我现在有一个张量，看起来像这样(随机选择的数字)，我称之为x：
tensor([[ 1., -5.],
[ 2., -4.],
[ 3., 2.],
[ 4., 1.],
[ 5., 2.]])
我还有另一个二维张量(称为i)。
tensor([[-1., 1.],
[ 1., -1.]], requires_grad=True)
我希望对x中的每一行进行pytorch.matmul i，有什么方法可以实现这一点吗？
以下是我的尝试：
apply_i = lambda x: torch.matmul(x,
浏览 0提问于2022-03-28得票数 0
回答已采纳
我想在Tensorflow中使用一个预先训练过的Pytorch模型，并且我需要将tensorflow张量转换为pytorch张量。但是，我不想将Py手电筒张量转换为numpy数组，并将其转换为tensorflow张量，因为我得到的错误是“您必须为占位符张量提供一个值”。当我制作图形时，我需要这个转换，这样tensorflow张量就没有价值了，并且不能转换为numpy！有什么解决办法吗？
浏览 5提问于2021-01-24得票数 2
回答已采纳
1回答
我试图在使用PyTorch的编解码结构中实现深度监控策略。其思想是对三个卷积层(具有可学习参数Wi)的结果进行加权和。
假设我们有三个张量：A，B和C，形状相同：(64, 48, 48, 48)。
我的目标是对这三个张量做一个加权线性和：(w0 * A + w1 * B + w2 * C)和w0，w1，w2应该是可通过网络学习的参数。
也许我必须使用torch.nn.Linear(in_features, out_features)，但我不知道在这种情况下会出现什么特性。
有什么建议吗？
浏览 2提问于2021-07-27得票数 1
回答已采纳
我有大小为2x8x8的例子作为张量，我正在使用PyTorch数据加载器。但现在我也想添加一个大小为1(单个数字)的1维张量作为输入。 因此，我有两个神经网络的输入参数，一个是卷积层的多维参数，另一个是稍后要连接的额外参数。 也许我可以使用两个数据加载器，对于每个张量形状一个，但我不能洗牌。 如何将单个PyTorch数据读取器用于这两个不同的输入张量？
浏览 34提问于2020-10-29得票数 0
回答已采纳
1回答
我有两个三维Pytorch张量，一个维度(8，1,1024)，另一个维度(8，59，77)。我想把这两个人相乘。 我知道它们不能在当前状态下相乘，所以我想迭代地将它们相乘，并附加到单个张量中。当我们迭代第二维时，第二个张量可以表示为(8，59，1)。在这种状态下，将其与形状的第一个张量(8，1,1024)相乘，得到形状(8，59,1024)的张量，最后将所有这77个输出附加到一个中，得到(8，59,1024，77)的最终形状。 然而，我在它的实现中遇到了一些问题。有人能帮帮我吗？
浏览 32提问于2020-11-22得票数 1
我正在研究一种吡咯烷酮模型的推理模型，这就是为什么要问这个问题的原因。
假设我有一个维度32 x 32 x 3 (CIFAR-10数据集)的图像。我通过一个维度: Conv2d：3 x 192 x 5 x 5来传递它。我使用的命令是：Conv2d(3, 192, kernel_size=5, stride=1, padding=2)
使用这个公式(这里说明为参考，pg12 )，我应该得到一个带有维度28 x 28 x 192 (input - kernel + 1 = 32 - 5 + 1)的输出图像。
问题是PyTorch如何实现这个4d张量3 x 192 x 5 x 5以获得28 x 28
浏览 2提问于2020-01-23得票数 1
回答已采纳
2回答
我加载了一个定制的PyTorch模型，我想找出它的输入形状。就像这样：
model.input_shape
有可能得到这些信息吗？
更新： print()和summary()没有显示这个模型的输入形状，所以它们不是我要找的。
浏览 3提问于2021-03-05得票数 15
回答已采纳
1回答
按照惯例，图像张量总是三维的:一维表示其height，一个表示其width，另一个表示其color channel。它的形状看起来像(height, width, color)。
例如，128个大小为256x256的彩色图像可以存储在形状为(128, 256, 256, 3)的4D张量中。颜色通道在这里表示RGB颜色。另一个例子，128个灰度图像存储在一个4D张量的形状(128, 256, 256, 1)。颜色可以编码为8位整数。
对于第二个例子，最后一个维度是一个只包含一个元素的向量。然后，可以使用三维张量的形状(128, 256, 256,)代替。
我的问题来了:我想知道使用三维张量而不是
浏览 1提问于2019-03-15得票数 6
回答已采纳
我想知道如何做以下事情：
如果我有一个带有形状的torch.tensor x，如何在最后一个维上应用PyTorch神经网络？
使用标准程序，模型将整个张量压平成一些形状为(20,1)的新张量，但这并不是我想要的。
假设我们想要维64的一些输出特性，那么我想要获得一个新的形状(4,5,64)对象
浏览 7提问于2021-12-15得票数 0
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
腾讯会议
实时音视频活动推荐
腾讯云开发者
