pytorch线性回归

我尝试在ForestFires数据集上运行线性回归。 数据集在Kaggle上可用，我尝试的要点如下：

我面临两个问题：

预测输出的形状为32x1，目标数据形状为32 输入形状和目标形状不匹配：输入[32 x 1]，目标[32]^

使用视图，我重塑了预测张量

y_pred=y_pred.view（inputs.shape[0]）

为什么预测张量和实际张量的形状不匹配

pytorch的SGD永远不会收敛。我尝试使用

打印（火炬平均值（（y_pred-标签）**2））

此值不匹配

损失=标准（y_pred，标签）

有人能指出我代码中的错误在哪里吗

谢谢。

问题1 这是关于Pytorch文档中MSELoss的参考：

因此，您需要使用：

torch.unsqueze（labels，1）

或

labels.view（-1,1）

手电筒未queze（输入、变暗、输出=无）→ 张量

返回在指定位置插入尺寸为1的新张量

返回的张量与此张量共享相同的基础数据

问题2 查看代码后，我意识到您已将

size\u average

param添加到MSELOST中：

criterion = torch.nn.MSELoss(size_average=False)

平均尺寸（bool，可选）–不推荐使用（参见缩减）。默认情况下，损失是批次中每个损失元素的平均值。注意，对于某些损失，每个样品有多个元素。如果字段大小_average设置为False，则每个小批量的损失相加。当reduce为False时忽略。默认值：True

这就是为什么两个计算值不匹配的原因。这是示例代码：

import torch
import torch.nn as nn

loss1 = nn.MSELoss()
loss2 = nn.MSELoss(size_average=False)
inputs = torch.randn(32, 1, requires_grad=True)
targets = torch.randn(32, 1)

output1 = loss1(inputs, targets)
output2 = loss2(inputs, targets)
output3 = torch.mean((inputs - targets) ** 2)

print(output1)  # tensor(1.0907)
print(output2)  # tensor(34.9021)
print(output3)  # tensor(1.0907)

---

伟大的这解决了问题1。但是，使用torch.mean（（y_pred-标签）**2）计算的损耗与损耗=标准（y_pred，标签）不匹配。你能告诉我它们有什么不同吗？@Chandra我意识到你的代码使用了

size\u average

param。我已经更新了详细的答案是的。非常感谢。

import torch
import torch.nn as nn

loss1 = nn.MSELoss()
loss2 = nn.MSELoss(size_average=False)
inputs = torch.randn(32, 1, requires_grad=True)
targets = torch.randn(32, 1)

output1 = loss1(inputs, targets)
output2 = loss2(inputs, targets)
output3 = torch.mean((inputs - targets) ** 2)

print(output1)  # tensor(1.0907)
print(output2)  # tensor(34.9021)
print(output3)  # tensor(1.0907)