多维度<class ‘tuple’>转tensor

在PyTorch中，如果你有一个多维度的数据，比如一个元组`(list of lists)`或`(tuple of tuples)`，你可以通过`torch.tensor()`函数将其转换为一个多层张量（multi-dimensional tensor）。这通常用于表示表格数据或其他有层次的数据结构。

例如，假设你有一个二维元组:

data = ((1, 2), (3, 4), (5, 6))

你可以这样做来创建一个匹配形状的张量：

tensor_data = torch.tensor(data)

这将会得到一个形状为`(3, 2)`的张量，因为每个内部的元组代表一行，而外部的元组代表总行数。

如果元组嵌套更深，如三维元组`(list of list of int)`，你可以传递额外的维度参数给`torch.tensor()`，比如：

nested_data = [[[1, 2], [3, 4]], [[5, 6], [7, 8]]]
tensor_nested_data = torch.tensor(nested_data, dtype=torch.int)

这里`dtype=torch.int`指定张量的数据类型为整型。

相关问题

Traceback (most recent call last): File "C:\Users\马斌\Desktop\cnn测试\cnn-lstm改.py", line 97, in <module> myModel = cnn_lstm_model() # 建立模型 File "C:\Users\马斌\Desktop\cnn测试\cnn-lstm改.py", line 78, in cnn_lstm_model inputs = Input(shape=(windows, amount_of_features)) File "D:\python\python3.9.5\pythonProject\venv\lib\site-packages\keras\utils\traceback_utils.py", line 70, in error_handler raise e.with_traceback(filtered_tb) from None File "D:\python\python3.9.5\pythonProject\venv\lib\site-packages\tensorflow\python\framework\tensor_shape.py", line 214, in __init__ raise TypeError( TypeError: Dimension value must be integer or None or have an __index__ method, got value '(4,)' with type '<class 'tuple'>'

这个错误提示指出了问题所在：`shape` 中的维度值必须是整数或 `None` 类型，不能是元组。在你的代码中，`shape` 的第三个维度是一个元组，即 `amount_of_features`。这是因为你将 `amount_of_features` 改为了一个包含数据的第二、三、四维大小的元组，而 `shape` 中只能包含整数或 `None` 类型的值。

要解决这个问题，你可以将 `amount_of_features` 改回一个整数值，即数据的特征数。具体来说，如果你的数据有 $n$ 个特征，那么你可以将 `amount_of_features` 的赋值改为：

amount_of_features = n

这样，`shape` 中的第三个维度就会变为一个整数值，而不是一个元组了。

import torch import torch.nn as nn import numpy as np import torch.nn.functional as F import matplotlib.pyplot as plt from torch.autograd import Variable x=torch.tensor(np.array([[i] for i in range(10)]),dtype=torch.float32) y=torch.tensor(np.array([[i**2] for i in range(10)]),dtype=torch.float32) #print(x,y) x,y=(Variable(x),Variable(y))#将tensor包装一个可求导的变量 print(type(x)) net=torch.nn.Sequential( nn.Linear(1,10,dtype=torch.float32),#隐藏层线性输出 torch.nn.ReLU(),#激活函数 nn.Linear(10,20,dtype=torch.float32),#隐藏层线性输出 torch.nn.ReLU(),#激活函数 nn.Linear(20,1,dtype=torch.float32),#输出层线性输出 ) optimizer=torch.optim.SGD(net.parameters(),lr=0.05)#优化器(梯度下降) loss_func=torch.nn.MSELoss()#最小均方差 #神经网络训练过程 plt.ion() plt.show()#动态学习过程展示 for t in range(2000): prediction=net(x),#把数据输入神经网络，输出预测值 loss=loss_func(prediction,y)#计算二者误差，注意这两个数的顺序 optimizer.zero_grad()#清空上一步的更新参数值 loss.backward()#误差反向传播，计算新的更新参数值 optimizer.step()#将计算得到的更新值赋给net.parameters()D:\Anaconda\python.exe D:\py\text.py <class 'torch.Tensor'> Traceback (most recent call last): File "D:\py\text.py", line 28, in <module> loss=loss_func(prediction,y)#计算二者误差，注意这两个数的顺序 File "D:\Anaconda\lib\site-packages\torch\nn\modules\module.py", line 1194, in _call_impl return forward_call(*input, **kwargs) File "D:\Anaconda\lib\site-packages\torch\nn\modules\loss.py", line 536, in forward return F.mse_loss(input, target, reduction=self.reduction) File "D:\Anaconda\lib\site-packages\torch\nn\functional.py", line 3281, in mse_loss if not (target.size() == input.size()): AttributeError: 'tuple' object has no attribute 'size'

这段代码出现了一个错误，具体错误信息是 'tuple' object has no attribute 'size'。这个错误通常发生在调用 PyTorch 的函数时，输入的数据类型不正确，需要将数据类型转换为正确的类型。在这段代码中，loss_func 函数的输入是一个元组，而不是一个张量，因此无法获取其尺寸信息，导致出现错误。需要修改代码，将 prediction 从元组转换为张量，才能正确计算误差。可以将代码修改为：

prediction = net(x)
loss = loss_func(prediction.squeeze(), y.squeeze())

这样，就能将 prediction 和 y 转换为张量，并使用 squeeze() 函数去除维度为 1 的维度。这样就能够正确计算二者之间的误差了。