Python 3.x pytorch中的类型不匹配

我在试我的手电筒。 我得到这个错误：

RuntimeError: Expected object of scalar type Double but got scalar type Float for argument #2 'weight' in call to _thnn_conv2d_forward

这是我的代码（无耻地抄袭自在线教程）：

班级网络（模块）：
定义初始化（自）：
超级（网络，自我）。\uuuu初始化
self.cnn_层=顺序(
Conv2d（1,4，内核大小=3，步幅=1，填充=1），
第2D（4）节，
ReLU（就地=真），
MaxPool2d（内核大小=2，步幅=2），
Conv2d（4,4，内核大小=3，步幅=1，填充=1），
第2D（4）节，
ReLU（就地=真），
MaxPool2d（内核大小=2，步幅=2）
)
self.linear\u层=顺序(
线性（900,10）
)
def前进（自身，x）：
#self.weights=self.weights.double（）
x=自.cnn_层（x）
x=x.view（x.size（0），-1）
x=自线性_层（x）
返回x
tdata=dt.数据（“列车”）
train_x=火炬从（tdata.get_train（）[0]。重塑（925,1300300））
train_y=torch.from_numpy（tdata.get_train（）[1].astype（int））
val_x=torch.from_numpy（tdata.get_test（）[0]。重塑（102,1300300））
val_y=torch.from_numpy（tdata.get_test（）[1].astype（int））
打印（值y.形状）
plt.imshow（tdata.get_train（）[0][100]，cmap='gray'）
plt.show（）
model=Net（）
#定义优化器
optimizer=Adam（model.parameters（），lr=0.07）
#定义损失函数
标准=交叉熵（）
#检查GPU是否可用
如果torch.cuda.U可用（）：
model=model.cuda（）
criteria=criteria.cuda（）
打印（模型）
def系列（EPOC）：
模型列车（）
tr_损失=0
#获取训练集
x\u列，y\u列=变量（列x.double（）），变量（列y.double（））
#获取验证集
x_val，y_val=变量（val_x），变量（val_y）
#将数据转换为GPU格式
如果torch.cuda.U可用（）：
x_train=x_train.cuda（）
y_train=y_train.cuda（）
x_val=x_val.cuda（）
y_val=y_val.cuda（）
#清除模型参数的梯度
optimizer.zero_grad（）
#训练和验证集的预测
输出列车=型号（x列车.double（））
输出值=模型（x值）
#计算训练和验证损失
损失列车=标准（输出列车，y列车）
损耗值=标准（输出值，y值）
列车损失。追加（列车损失）
val_loss.append（loss_val）
#计算所有模型参数的更新权重
列车后退时的损失（）
optimizer.step（）
tr_损失=损失_列车项目（）
如果历元%2==0：
#打印验证丢失
打印（'历元：'，历元+1'，\t'，损失：'，损失值）
n_时代=25
#存储培训损失的空列表
列车损失=[]
#用于存储验证损失的空列表
val_损失=[]
#训练模型
对于范围内的历元（n_历元）：
列车（新纪元）

tdata.get\u train（）和tdata.get\u test（）返回一个元组（numpy（dtype='double'），numpy（dtype='int'））

---

我认为权重是一种内部数据结构。因此，其类型应由PyTorch自身进行调整。这里有什么问题？

你可以把

.to（torch.float32）

加到你的

train\ux

和

val\ux
张量中
你可以把
.to（torch.float32）
加到你的
train\ux
和
val\ux
张量中我不完全同意另一个答案。它部分地解决了这个问题。
好的，写：

# converting the target into torch format
train_y = train_y.astype(int);
train_y = torch.from_numpy(train_y).to(torch.float32)

# converting validation images into torch format
val_x = val_x.reshape(6000, 1, 28, 28)
val_x  = torch.from_numpy(val_x).to(torch.float32)

# converting the target into torch format
val_y = val_y.astype(int);
val_y = torch.from_numpy(val_y).to(torch.float32)

这很重要，但也很重要：

# computing the training and validation loss
y_train = y_train.long() #we convert the results because they aren't in the good format
y_train = y_train.squeeze_()
y_val = y_val.long() #we convert the results because they aren't in the good format
y_val = y_val.squeeze_()
loss_train = criterion(output_train, y_train)
loss_val = criterion(output_val, y_val)
train_losses.append(loss_train)
val_losses.append(loss_val)

就我而言，这解决了我的问题。
我不完全同意另一个答案。它部分地解决了这个问题。
好的，写：

# converting the target into torch format
train_y = train_y.astype(int);
train_y = torch.from_numpy(train_y).to(torch.float32)

# converting validation images into torch format
val_x = val_x.reshape(6000, 1, 28, 28)
val_x  = torch.from_numpy(val_x).to(torch.float32)

# converting the target into torch format
val_y = val_y.astype(int);
val_y = torch.from_numpy(val_y).to(torch.float32)

这很重要，但也很重要：

# computing the training and validation loss
y_train = y_train.long() #we convert the results because they aren't in the good format
y_train = y_train.squeeze_()
y_val = y_val.long() #we convert the results because they aren't in the good format
y_val = y_val.squeeze_()
loss_train = criterion(output_train, y_train)
loss_val = criterion(output_val, y_val)
train_losses.append(loss_train)
val_losses.append(loss_val)

就我而言，这解决了我的问题