Python 属性错误：'；numpy.ndarray和#x27；对象没有属性'；尺寸'；使用pytorch和scipy

我有以下小代码段：

import torch
from scipy.optimize import minimize 

def f(x):
    return torch.norm(x)

x = torch.tensor([1.0, 1.0])
y = minimize(f, x)
print(y)

但是，这会导致以下错误消息：

> AttributeError                            Traceback (most recent call
> last) <ipython-input-17-cb070be7a142> in <module>
>       6 
>       7 x = [1.0, 1.0]
> ----> 8 y = minimize(f, x)
>       9 print(y)
> 
> ~\Anaconda3\lib\site-packages\scipy\optimize\_minimize.py in
> minimize(fun, x0, args, method, jac, hess, hessp, bounds, constraints,
> tol, callback, options)
>     610         return _minimize_cg(fun, x0, args, jac, callback, **options)
>     611     elif meth == 'bfgs':
> --> 612         return _minimize_bfgs(fun, x0, args, jac, callback, **options)
>     613     elif meth == 'newton-cg':
>     614         return _minimize_newtoncg(fun, x0, args, jac, hess, hessp, callback,
> 
> ~\Anaconda3\lib\site-packages\scipy\optimize\optimize.py in
> _minimize_bfgs(fun, x0, args, jac, callback, gtol, norm, eps, maxiter, disp, return_all, finite_diff_rel_step, **unknown_options)    1100    
> 1101     sf = _prepare_scalar_function(fun, x0, jac, args=args,
> epsilon=eps,
> -> 1102                                   finite_diff_rel_step=finite_diff_rel_step)    1103     1104     f =
> sf.fun
> 
> ~\Anaconda3\lib\site-packages\scipy\optimize\optimize.py in
> _prepare_scalar_function(fun, x0, jac, args, bounds, epsilon, finite_diff_rel_step, hess)
>     260     # calculation reduces overall function evaluations.
>     261     sf = ScalarFunction(fun, x0, args, grad, hess,
> --> 262                         finite_diff_rel_step, bounds, epsilon=epsilon)
>     263 
>     264     return sf
> 
> ~\Anaconda3\lib\site-packages\scipy\optimize\_differentiable_functions.py
> in __init__(self, fun, x0, args, grad, hess, finite_diff_rel_step,
> finite_diff_bounds, epsilon)
>      74 
>      75         self._update_fun_impl = update_fun
> ---> 76         self._update_fun()
>      77 
>      78         # Gradient evaluation
> 
> ~\Anaconda3\lib\site-packages\scipy\optimize\_differentiable_functions.py
> in _update_fun(self)
>     164     def _update_fun(self):
>     165         if not self.f_updated:
> --> 166             self._update_fun_impl()
>     167             self.f_updated = True
>     168 
> 
> ~\Anaconda3\lib\site-packages\scipy\optimize\_differentiable_functions.py
> in update_fun()
>      71 
>      72         def update_fun():
> ---> 73             self.f = fun_wrapped(self.x)
>      74 
>      75         self._update_fun_impl = update_fun
> 
> ~\Anaconda3\lib\site-packages\scipy\optimize\_differentiable_functions.py
> in fun_wrapped(x)
>      68         def fun_wrapped(x):
>      69             self.nfev += 1
> ---> 70             return fun(x, *args)
>      71 
>      72         def update_fun():
> 
> <ipython-input-17-cb070be7a142> in f(x)
>       3 
>       4 def f(x):
> ----> 5     return torch.norm(x)
>       6 
>       7 x = [1.0, 1.0]
> 
> ~\Anaconda3\lib\site-packages\torch\functional.py in norm(input, p,
> dim, keepdim, out, dtype)
>     738         (tensor(3.7417), tensor(11.2250))
>     739     """
> --> 740     ndim = input.dim()
>     741 
>     742     # catch default case
> 
> AttributeError: 'numpy.ndarray' object has no attribute 'dim'

>属性错误回溯（最近的调用
>最后）在
>       6 
>7 x=[1.0,1.0]
>--->8y=最小化（f，x）
>9打印（y）
> 
>中的~\Anaconda3\lib\site packages\scipy\optimize\\u minimize.py
>最小化（fun、x0、参数、方法、jac、hess、hessp、边界、约束、，
>tol、回调、选项）
>610返回最小化cg（乐趣、x0、参数、jac、回调、**选项）
>611 elif meth==“bfgs”：
>-->612返回\u最小化\u BFG（乐趣、x0、参数、jac、回调、**选项）
>613 elif meth==‘牛顿重心’：
>614 return _minimize _newtoncg（fun、x0、args、jac、hess、hessp、callback、，
> 
>中的~\Anaconda3\lib\site packages\scipy\optimize\optimize.py
>最小化BFG（乐趣、x0、参数、jac、回调、gtol、标准、eps、maxiter、disp、返回全部、有限差分相对步长、**未知选项）1100
>1101 sf=标量函数（fun、x0、jac、args=args、，
>ε=每股收益，
>->1102有限差分相对步进=有限差分相对步进）1103 1104 f=
>快乐
> 
>中的~\Anaconda3\lib\site packages\scipy\optimize\optimize.py
>准备标量函数（fun，x0，jac，args，bounds，epsilon，finite，diff，rel，step，hess）
>260#计算减少了总体功能评估。
>261 sf=ScalarFunction（fun、x0、args、grad、hess、，
>-->262有限差分相对步长，界，ε=ε）
>     263 
>264返回sf
> 
>~\Anaconda3\lib\site packages\scipy\optimize\\u differentiable\u functions.py
>在初始（self，fun，x0，args，grad，hess，finite_diff_rel_step，
>有限差分界（ε）
>      74 
>75 self.\u update\u fun\u impl=update\u fun
>-->76 self.\u update\u fun（）
>      77 
>78#梯度评估
> 
>~\Anaconda3\lib\site packages\scipy\optimize\\u differentiable\u functions.py
>在"更新"中(自我)
>164定义更新乐趣（自我）：
>165如果未更新self.f_：
>-->166 self.\u update\u fun\u impl（）
>167 self.f_updated=真
>     168 
> 
>~\Anaconda3\lib\site packages\scipy\optimize\\u differentiable\u functions.py
>在更新_fun（）中
>      71 
>72 def更新_fun（）：
>-->73 self.f=fun\u包装（self.x）
>      74 
>75 self.\u update\u fun\u impl=update\u fun
> 
>~\Anaconda3\lib\site packages\scipy\optimize\\u differentiable\u functions.py
>在fun_包装中（x）
>68 def fun_包装（x）：
>69.nfev+=1
>--->70返回乐趣（x，*args）
>      71 
>72 def更新_fun（）：
> 
>在f（x）中
>       3 
>4 def f（x）：
>--->5个返回火炬。标准（x）
>       6 
>7 x=[1.0,1.0]
> 
>norm中的~\Anaconda3\lib\site packages\torch\functional.py（输入，p，
>dim、keepdim、out、dtype）
>738（张量（3.7417），张量（11.2250））
>     739     """
>-->740 ndim=input.dim（）
>     741 
>742#捕获默认情况
> 
>AttributeError:'numpy.ndarray'对象没有属性'dim'

我不确定为什么会发生这种情况，因为我不认为我正在将任何东西转换为numpy.ndarray

---

任何帮助都将不胜感激。

您可以使用NumPy而不是torch

import numpy
from scipy.optimize import minimize

def f(x):
    return numpy.linalg.norm(x)

x = numpy.array([1.0, 1.0])
y = minimize(f, x)
print(y)

---

你可以用NumPy代替手电筒

import numpy
from scipy.optimize import minimize

def f(x):
    return numpy.linalg.norm(x)

x = numpy.array([1.0, 1.0])
y = minimize(f, x)
print(y)

---

你能用

numpy

代替

torch

吗？你能用

numpy

代替

torch

吗？谢谢，这是可行的。不过，我正在尝试将这一点应用到一个使用大量张量的项目中。我可能不需要将张量转换成numpy数组，但这可能会有指导意义我首先要了解导致错误的原因。

scipy

是基于

numpy

的，

minimize

将您的

x

转换为

ndarray

，并将其传递给

f

。因此

f

必须使用

ndarray

，并返回一个标量。感谢这可以工作。不过，我正在尝试应用这适用于一个使用大量张量的项目。我可能不需要将张量转换为numpy数组，但首先了解导致错误的原因可能会很有帮助。

scipy

基于

numpy

，

minimize

将

x

转换为

ndarray

，并通过that到

f

。因此

f

必须使用

ndarray

，并返回标量。