Python 派托克火车公司；评估不同的样本量

我正在学习pytorch，并有以下（缩写）代码用于建模：

# define the model class for a neural net with 1 hidden layer
class myNN(nn.Module):
    def __init__(self, D_in, H, D_out):
        super(myNN, self).__init__()
        self.lin1 = nn.Linear(D_in,H)
        self.lin2 = nn.Linear(H,D_out)
    def forward(self,X):
        return torch.sigmoid(self.lin2(torch.sigmoid(self.lin1(x))))

# now make the datasets & dataloaders
batchSize = 5
# Create the data class
class Data(Dataset):
    def __init__(self, x, y):
        self.x = torch.FloatTensor(x)
        self.y = torch.Tensor(y.astype(int))
        self.len = self.x.shape[0]
        self.p = self.x.shape[1]
    def __getitem__(self, index):      
        return self.x[index], self.y[index]
    def __len__(self):
        return self.len
trainData = Data(trnX, trnY)
trainLoad = DataLoader(dataset = trainData, batch_size = batchSize)
testData = Data(tstX, tstY)
testLoad = DataLoader(dataset = testData, batch_size = len(testData))

# define the modeling objects
hiddenLayers = 30
learningRate = 0.1
model = myNN(p,hiddenLayers,1)
print(model)
optimizer = torch.optim.SGD(model.parameters(), lr = learningRate)
loss = nn.BCELoss()

使用

trnX.shape=（70,2）

，

trnY.shape=（70，）

，

tstX.shape=（30,2）

，以及

tstY.shape=（30，）

。培训代码为：

# train!
epochs = 1000
talkFreq = 0.2
trnLoss = [np.inf]*epochs
tstLoss = [np.inf]*epochs
for i in range(epochs):
    # train with minibatch gradient descent
    for x, y in trainLoad:
        # forward step
        yhat = model(x)
        # compute loss (not storing for now, will do after minibatching)
        l = loss(yhat, y)
        # backward step
        optimizer.zero_grad()
        l.backward()
        optimizer.step()
    # evaluate loss on training set
    yhat = model(trainData.x)
    trnLoss[i] = loss(yhat, trainData.y)
    # evaluate loss on testing set
    yhat = model(testData.x)
    tstLoss[i] = loss(yhat, testData.y)

数据集

trainData

和

testData

分别有70和30个观察值。这可能只是一个新手问题，但当我运行训练单元时，它会在

trnLoss[I]=loss（yhat，trainData.y）

行上出现错误

ValueError: Target and input must have the same number of elements. target nelement (70) != input nelement (5)

当我检查

yhat=model（trainData.x）

行的输出时，我看到

yhat

是一个带有

batchSize

元素的张量，尽管

trainData.x.shape=torch.Size（[70，2]）

如何使用小批量梯度下降迭代训练模型，然后使用该模型计算完整训练集和测试集上的损失和精度？我尝试在小批量迭代之前设置

model.train（）

，然后在求值代码之前设置

model.eval（）

，但没有效果。

在

myNN.forward（）

中，将小写字母

x

作为输入传递给

self.lin1

，而函数的输入参数命名为大写字母

x

。小写

x

是在for循环中为

trainload

定义的一种全局变量，因此您不会得到任何语法错误，但您要传递的值不会传递给

self.lin1

---

我也建议你应该考虑使用<代码>模型>（）（<）/代码>和<代码>用Trask.NOEGRADE（）/<代码>为您的测试代码。这不是绝对必要的，但会更有意义。

在

model=myNN（p，hiddenLayers，1）

中什么是

p

？还保留

model.eval（）

之前的

yhat=model（trainData.x）

和

model.train（）

之前的

用于x，y

我有

p=2

。我目前在您建议的位置调用了

model.train（）

和

model.eval（）

。（我说的“当前”，是指我已经添加了这些行，但仍然出错…）谢谢，将

X

修改为

X

解决了问题。模型的

forward（）

评估将

x

的最新值读取为“全局”变量，这一事实解释了为什么

yhat

具有长度

batchSize

，尽管有输入。关于你的最后一点，我应该把我所有的评估代码（从

model.eval（）

到循环的末尾）放在

里面，用torch.no_grade（）

，对吗？最后一个问题，我应该写

model.eval（）

，还是像我在网上看到的那样写

model=model.eval（）

。谢谢1：是的，通常使用torch在

中编写所有评估代码是一个好的做法。no_grad（）

块，因为我们不希望在评估期间计算梯度。2：调用

model.eval（）

就足够了。确保在“循环的历元”开始时调用

model.train（）

，以便在循环

trainLoad

之前将模型设置为列车模式。