Deep learning 尺寸不匹配，m1:[1 x 5]，m2:[7 x 100]at/pytorch/aten/src/TH/generic/THTensorMath.cpp:752

我是pytorch的新手，尝试创建一个模型，但我发现这个错误

AttributeError                            Traceback (most recent call last)
<ipython-input-16-a0f31875b0ba> in <module>()
      1 for t in range(100):
      2     # Forward pass
----> 3     y_pred = model(X_train)
      4 
      5     # Accuracy


AttributeError: 'numpy.ndarray' object has no attribute 'dim'

我们有5个列车样本和2个测试样本

类MLP（nn.模块）：
定义初始（自身、输入尺寸、隐藏尺寸、输出尺寸）：
超级（MLP，self）。\uuuu init\uuuuu（）
self.fc1=nn.Linear（输入尺寸、隐藏尺寸）
self.fc2=nn.Linear（隐藏尺寸、输出尺寸）
def forward（自身、x_in、apply_softmax=False）：
a_1=F.relu（self.fc1（x_in））
y_pred=self.fc2（a_1）
如果应用\u softmax：
y_pred=F.softmax（y_pred，dim=1）
返回y_pred
型号=MLP（输入尺寸=len（X列），
隐藏尺寸=100，
输出尺寸=透镜（设置（y）））
打印（型号命名_模块）

绑定方法模块。MLP的命名模块（（fc1）：线性（输入特征=7，输出特征=100，偏差=True） （fc2）：线性（输入特征=100，输出特征=7，偏差=真） )

loss\u fn=nn.CrossEntropyLoss（）
optimizer=optim.Adam（model.parameters（），lr=1e-3）
def get_精度（y_pred，y_目标）：
n_correct=torch.eq（y_pred，y_target）.sum（）.item（）
准确度=n_正确/长度（y_pred）*100
返回精度
对于范围（7）内的t：
y_pred=型号（X_列车）
_，预测值=y_pred.max（尺寸=1）
精度=获取精度（y\u pred=predictions.long（），y\u target=y\u train）
损耗=损耗fn（y_pred，y_train）
如果t%20==0：
打印（“历元：{0}丢失：{1:.4f}精度：{2:.1f}%.”格式（t，丢失，精度））
optimizer.zero_grad（）
loss.backward（）
optimizer.step（）

在您的示例中，

X\u train

是一个

numpy.ndarray

对象，需要转换为

torch.Tensor

。因此，您的问题的解决方案是：

y_pred = model(torch.from_numpy(X_train))

---

你能提供X列车和y列车的样本吗？我已经更新了样本的代码@zihaozhaowell，你的

输入尺寸应该是
len（X列车）
而不是
len（X）
。太好了。它解决了我的错误。但现在我又换了一个。“AttributeError:'numpy.ndarray'对象没有属性'dim'”能否更新当前代码？
y_pred = model(torch.from_numpy(X_train))