userwarning: named tensors and all their associated apis are an experimental feature and subject to change. please do not use them for anything important until they are released as stable. (triggered internally at /pytorch/c10/core/tensorimpl.h:1156.)

这是一个实验性质的功能，名为张量和所有相关的API可能会发生变化。在它们被稳定发布之前，请勿将其用于任何重要的场合。这个警告信息在 /pytorch/c10/core/tensorimpl.h:1156 引发。

相关问题

userwarning: named tensors and all their associated apis are an experimental feature and subject to change. please do not use them for anything important until they are released as stable. (triggered internally at ..\c10/core/tensorimpl.h:1156.)

### 回答1：
警告：命名张量及其所有相关API是一项实验性功能，可能会发生变化。在它们被稳定发布之前，请不要将它们用于任何重要的事情。该警告在..\c10/core/tensorimpl.h:1156处被内部触发。

### 回答2：
这句话是Python中一个警告的提示，提醒用户“命名张量及其所有相关API都是实验性特性，随时可能改变，因此请勿在重要事项中使用它们，直到它们被发布为稳定版本”。这个警告是出于对用户安全的考虑而发布的，以保护用户不因实验性特性的变化而遭受损失。

命名张量是一个特殊类型的张量，它不仅包含数据，而且包含名称和维度信息。这种类型的张量可以用来更加清晰地描述数据的含义，而不是仅仅依靠它们在张量中的位置。命名张量还可以帮助用户更轻松地实现复杂的张量操作，因为它们可以直接引用张量的不同部分。

尽管命名张量有很多优点，但由于它们是实验性特性，用户需要注意不要在重要的应用程序中使用它们。因为一旦它们的接口发生变化，应用程序可能会受到影响，导致错误和应用程序崩溃。

因此，建议用户在使用命名张量的同时，也应该尝试使用其他稳定的张量类型。如果使用命名张量，用户应该定期检查相关API是否有改变，并注意Python发布的错误和警告，以及相关文档或社区中发布的公告等。这样才能更好地保护应用程序的稳定性和可靠性。

### 回答3：
该警告信息提示用户有一个不稳定的实验性功能“命名张量”及其相关API，它们可能随时发生变化。在此警告被发布为稳定版本之前，用户不应将其用于任何重要任务中。

命名张量是PyTorch 1.3版本中引入的全新的功能。它们可以让用户更好地管理张量。在默认情况下，PyTorch使用张量的索引位置来访问张量中的元素。但是，访问大型张量中的元素可能很困难，而命名张量使得对于大小不同的数据结构而言索引访问更加有效和方便。

因此，命名张量使得我们可以书写独一无二的名称来表示数据结构中的不同维度，而不必依赖于它们的位置。 这给了我们一个更好的方式来理解，管理和操作大型数据集。

然而，正如警告信息所述，这个功能并没有被标记为稳定版本。这意味着在使用命名张量和相关API时，用户需要时刻关注其变化。任何更新版本都可能影响到命名张量的行为。因此，如果还没有被发布为稳定版本，建议用户不要在重要的项目中使用命名张量。

在获得足够验证后，PyTorch会正式发布命名张量和API版本。但是，在此之前，用户需要遵循警告信息，并在使用实验性功能时小心谨慎。

C:\Users\star\PycharmProjects\numbers\torchnumber.py:93: UserWarning: Implicit dimension choice for softmax has been deprecated. Change the call to include dim=X as an argument. x = nn.functional.softmax(x) C:\Users\star\PycharmProjects\numbers\venv\lib\site-packages\torch\nn\modules\loss.py:536: UserWarning: Using a target size (torch.Size([1599])) that is different to the input size (torch.Size([1599, 1])). This will likely lead to incorrect results due to broadcasting. Please ensure they have the same size. return F.mse_loss(input, target, reduction=self.reduction)

这个警告包含了两个部分：

1. 针对 `nn.functional.softmax` 函数的警告，它表示 `softmax` 函数现在需要指定 `dim` 参数，以明确对哪个维度进行计算。你可以在 `softmax` 函数中添加 `dim=1` 参数，表示对每一行进行计算。修改后的代码如下：

x = nn.functional.softmax(x, dim=1)

2. 针对损失函数 `F.mse_loss` 的警告，它表示你的模型输出的尺寸与标签的尺寸不匹配。在你的代码中，模型的输出是一个形状为 `[batch_size, 1]` 的张量，而标签是一个形状为 `[batch_size]` 的张量。这会导致在计算损失时进行广播，可能会得到错误的结果。为了解决这个问题，你需要将标签的形状改为 `[batch_size, 1]`。你可以使用 `torch.unsqueeze` 函数来添加一个额外的维度，将标签的形状从 `[batch_size]` 改为 `[batch_size, 1]`。修改后的代码如下：

train_y = train_y.unsqueeze(1)

修改完成后的代码如下：

import torch
import torch.nn as nn
import pandas as pd

class Wine_net(nn.Module):
    def __init__(self):
        super(Wine_net, self).__init__()
        self.ln1=nn.LayerNorm(11)
        self.fc1=nn.Linear(11,22)
        self.fc2=nn.Linear(22,44)
        self.fc3=nn.Linear(44,1)
        
    def forward(self,x):
        x=self.ln1(x)
        x=self.fc1(x)
        x=nn.functional.relu(x)
        x=self.fc2(x)
        x=nn.functional.relu(x)
        x = self.fc3(x)
        x = nn.functional.softmax(x, dim=1)
        return x

# 读取数据
df = pd.read_csv('winequality.csv')
df1=df.drop('quality',axis=1)
df2=df['quality']
train_x=torch.tensor(df1.values, dtype=torch.float32)
train_y=torch.tensor(df2.values,dtype=torch.float32).unsqueeze(1)

# 定义模型、损失函数和优化器
model=Wine_net()
loss_fn=nn.MSELoss()
optimizer =torch.optim.SGD(model.parameters(), lr=0.0001)

# 训练模型
for epoch in range(10):
    # 前向传播
    y_pred = model(train_x)
    
    # 计算损失
    loss = loss_fn(y_pred, train_y)
    
    # 反向传播
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

希望能够帮到你！