在pyTorch上执行RNN代码时出错？

我正在使用PyTorch运行两个字符串的二进制加法代码

但是，在培训模型时，我遇到以下错误：

can't convert np.ndarray of type numpy.object. 
The only supported types are: double, float, float16, int64, int32, and uint8.  

有人能帮我吗？这是我的密码：

featDim=2#每个字符串各两位
outputDim=1#输出零或1的一个输出节点
lstmSize=10
lossFunction=nn.MSELoss（）
模型=加法器（featDim、lstmSize、outputDim）
打印（'已初始化模型'）
#optimizer=optim.SGD（model.parameters（），lr=3e-2，momentum=0.8）
optimizer=optim.Adam（model.parameters（），lr=0.001）
纪元=500
###时代##
totaloss=浮动（“inf”）
当Totaloss>1e-5时：
打印（“最后500个样本的平均损失=%lf”%（Totaloss））
Totaloss=0
对于范围（0，历次）内的i:#平均损失超过200个样本
stringLen=4
testFlag=0
x、 y=getSample（stringLen，testFlag）
模型0_梯度（）
x_var=autograd.Variable（torch.from_numpy（x）.unsqueze（1.float（））#转换为torch张量和变量
#unsqueze（）用于添加额外维度，因为
#您的输入必须是t*batchsize*featDim；你不能在pytorch中删除该批次
seqLen=x_变量大小（0）
#打印（x_变量）
x_var=x_var.continuous（）
y_var=autograd.Variable（torch.from_numpy（y.float（））##此行出错
最终核心=模型（x_var）
#最终核心=最终核心。
损失=损失功能（最终核心，y_变量）
Totaloss+=丢失。数据[0]
optimizer.zero_grad（）
loss.backward（）
optimizer.step（）
totaloss=totaloss/时代

这里的主要问题是您的

y

的类型。您尚未提供任何有关这方面的信息，因此此处将更为一般：

但是显然，您的

ndarray

不包含数字数据类型。您必须使用错误消息中提到的其中一项：

仅支持的类型有：double、float、float16、int64、int32、， 和uint8

下面是一个简短的例子来说明这个问题：

如果使用前面提到的数据类型之一，它就可以正常工作：

导入火炬
将numpy作为np导入
a=np.ndarray（shape=（2,2），dtype=np.float）#数据类型np.float
印刷品（a）
打印（torch.autograd.Variable（torch.from_numpy（a.float（）））

输出：

[[2.16641777e-314 2.16641777e-314]
[2.16641777e-314 2.16641777e-314]]
变量包含：
0  0
0  0
[火炬.尺寸为2x2的浮标张量]

---

但是，如果您使用其他numpy数据类型（如

np.object

），您将收到以下错误消息：

导入火炬
将numpy作为np导入
a=np.ndarray（shape=（2,2），dtype=np.object）#数据类型np.object
印刷品（a）
打印（torch.autograd.Variable（torch.from_numpy（a.float（）））

这导致：

[[None]
[无]]
---------------------------------------------------------------------------
运行时错误回溯（上次最近调用）
在（）
3a=np.ndarray（shape=（2,2），dtype=np.object）
4印刷品（a）
---->5打印（torch.autograd.Variable（torch.from_numpy（a.float（）））
RuntimeError:无法将给定的np.ndarray转换为张量-它的类型无效。仅支持的类型有：double、float、int64、int32和uint8。

您可能没有直接指定数据类型

np.object

。我想这可能是一些嵌套数组的结果

但是您需要使用数字数据类型将numpy数组

y

转化为正确的形状，这样它就应该适合您了