Traceback (most recent call last): File "E:/403/myworld/VGAE/trainMy.py", line 59, in <module> loss = criterion(z.view(-1).to(torch.float32), g.ndata['node_features'].view(-1)) File "D:\code\myworld\lib\site-packages\torch\nn\modules\module.py", line 1501, in _call_impl return forward_call(*args, **kwargs) File "D:\code\myworld\lib\site-packages\torch\nn\modules\loss.py", line 619, in forward return F.binary_cross_entropy(input, target, weight=self.weight, reduction=self.reduction) File "D:\code\myworld\lib\site-packages\torch\nn\functional.py", line 3098, in binary_cross_entropy return torch._C._nn.binary_cross_entropy(input, target, weight, reduction_enum) RuntimeError: Found dtype Double but expected Float

这个错误是因为你的输入数据的数据类型是 `Double`，而 `binary_cross_entropy` 函数的输入数据类型要求是 `Float`。可以将输入数据的数据类型转换为 `Float` 即可，可以使用 `to()` 方法进行转换。例如，将 `z` 和 `g.ndata['node_features']` 的数据类型都转换为 `Float`，代码如下所示：

z = z.to(torch.float32)
node_features = g.ndata['node_features'].to(torch.float32)
loss = criterion(z.view(-1), node_features.view(-1))

这样就可以解决这个错误了。需要注意的是，在进行数据类型转换时，要根据具体的数据类型进行转换，避免出现数据类型不匹配的错误。

相关问题

Traceback (most recent call last): File "E:/403/myworld/VGAE/trainTest.py", line 127, in <module> train(model, optimizer, dataBase, device) File "E:/403/myworld/VGAE/trainTest.py", line 55, in train for index,adj,features,labels in train_loader: File "E:/403/myworld/VGAE/trainTest.py", line 105, in __next__ graph,label = self.graphs[self.current],self.labels["labels"][self.current] TypeError: tuple indices must be integers or slices, not str

这个错误提示表示你尝试使用一个字符串作为元组的索引，而元组的索引只能是整数或切片。具体来说，可能是在你的代码中使用了一个字符串作为索引，而实际上需要使用整数或切片。

根据你提供的代码，可能是在train_loader中的__next__方法中，尝试使用了一个字符串作为索引，如下所示：

graph,label = self.graphs[self.current], self.labels["labels"][self.current]

这里的self.labels["labels"]是一个字符串，需要将其替换为整数或切片，具体根据你的数据格式来决定。如果你的标签是一个整数或列表，可以尝试将其替换为以下代码：

graph, label = self.graphs[self.current], self.labels[self.current]

如果你的标签是一个字典，需要根据字典的结构来进行索引。例如，如果你的标签字典的结构如下：

labels = {"node_labels": [1, 2, 3, 4, 5], "edge_labels": [1, 2, 3, 4]}

则可以使用以下代码进行索引：

graph, node_label = self.graphs[self.current], self.labels["node_labels"][self.current]

希望这能帮助你解决问题。

Traceback (most recent call last): File "E:/403/myworld/VGAE/trainTest.py", line 116, in <module> train(model, optimizer, dataBase, device) File "E:/403/myworld/VGAE/trainTest.py", line 57, in train loss = loss_function(output, labels, mu, logvar, adj) File "E:/403/myworld/VGAE/trainTest.py", line 41, in loss_function recon_loss = criterion(output.view(-1), torch.from_numpy(adj).view(-1))# 重构误差 TypeError: expected np.ndarray (got csr_array)

根据错误提示，`criterion`期望接收一个NumPy数组作为输入，但是您传递给它的是一个`csr_matrix`类型的稀疏矩阵对象`adj`。因此，您需要将`csr_matrix`类型的稀疏矩阵对象转换为NumPy数组。

可以使用`toarray()`方法将稀疏矩阵转换为稠密矩阵，然后使用`.view(-1)`方法将二维矩阵转换为一维向量：

import torch
import dgl
import numpy as np
from scipy.sparse import csr_matrix

with open('graph.bin', 'rb') as f:
    graph_data = np.load(f, allow_pickle=True)

graph = dgl.graph((graph_data['edge_index'][0], graph_data['edge_index'][1]))
adj = csr_matrix((graph_data['adjacency_matrix'] != 0).astype(np.float32)) # 转换为csr_matrix类型

model = MyModel()
output = model(graph)

criterion = torch.nn.BCEWithLogitsLoss()
recon_loss = criterion(output.view(-1), torch.from_numpy(adj.toarray()).view(-1)) # 转换为NumPy数组

在上述示例代码中，我们使用`csr_matrix`类型将邻接矩阵转换为稀疏矩阵。然后，我们使用`toarray()`方法将稀疏矩阵转换为稠密矩阵，最后使用`.view(-1)`方法将二维矩阵转换为一维向量。最终，我们将转换后的NumPy数组传递给损失函数`criterion`进行计算。