# training model = CNNmodel() print(model) criterion = nn.MSELoss() optimizer = torch.optim.Adam(model.parameters(), lr=0.001) epochs = 350 model.train() for epoch in range(epochs): for seq, y_train in train_set: # The gradient is zeroed and initialized before each parameter update optimizer.zero_grad() # reshape # convert to conv1d input size（batch size, channel, series length） y_pred = model(seq.reshape(1,1,-1)) loss = criterion(y_pred, y_train) loss.backward() optimizer.step() print(f'Epoch: {epoch+1:2} Loss: {loss.item():10.8f}')报错cannot unpack non-iterable numpy.float64 object

这个错误提示表明在你的代码中，某个地方使用了无法迭代的numpy.float64对象进行解包（unpack）。根据你提供的代码，我猜测可能是以下这一行代码导致了问题：

for seq, y_train in train_set:

你可以检查一下train_set的数据类型，看看是否与你预期的一致。如果train_set是一个numpy array，你可以尝试使用numpy中的enumerate函数来遍历数据集：

for i, (seq, y_train) in enumerate(train_set):

这样可以确保你遍历的是一个可迭代对象，每次迭代返回的是一个tuple，其中包含seq和y_train这两个元素。