怎么检查 train_data 和 train_label 的维度是否正确

可以通过以下代码检查 train_data 和 train_label 的维度是否正确：

import numpy as np

# 假设 train_data 是一个形状为 (m, n) 的 NumPy 数组，其中 m 是训练样本数量，n 是每个训练样本的特征数量
# 假设 train_label 是一个形状为 (m, ) 的 NumPy 数组，其中每个元素是对应训练样本的标签

m, n = train_data.shape
assert m == train_label.shape[0], "train_data 和 train_label 的样本数量不一致"
print(f"train_data 的形状为: ({m}, {n})")
print(f"train_label 的形状为: ({train_label.shape[0]},)")

如果 train_data 和 train_label 的维度不匹配，上述代码将会抛出 AssertionError 异常，并给出错误信息。如果 train_data 和 train_label 的维度正确，则会输出它们的形状信息。

相关问题

train_data_tensor_list = [torch.tensor(x) for x in train_data_list] train_data_tensor = torch.stack(train_data_tensor_list) train_label_tensor = torch.tensor(train_label_list) val_data_tensor = torch.stack(val_data_list) val_label_tensor = torch.tensor(val_label_list) train_dataset = TensorDataset(train_data_tensor, train_label_tensor) val_dataset = TensorDataset(val_data_tensor, val_label_tensor)

这段代码是用来创建 PyTorch 的 TensorDataset 数据集的。首先，train_data_list 是一组训练数据，每个元素都是一个样本，可以理解为一个输入向量。train_label_list 是对应的标签，即每个样本的正确输出。接下来，将 train_data_list 中的每个元素都转化为一个 PyTorch 的 tensor，并将这些 tensor 存储在一个列表 train_data_tensor_list 中。然后，使用 torch.stack() 函数将 train_data_tensor_list 中的 tensor 沿着一个新的维度进行拼接，得到一个形状为 [num_samples, input_dim] 的二维 tensor，其中 num_samples 是样本数，input_dim 是每个样本的输入维度。train_label_tensor 也是类似的 tensor，其中每个元素是一个标签。同样的方法用于创建 val_dataset。最后，train_dataset 和 val_dataset 都被封装在 TensorDataset 中，可以用于 DataLoader 进行批量化训练。

train_data_tensor_list = [torch.tensor(x) for x in train_data_list] train_data_tensor = torch.stack(train_data_tensor_list) train_label_tensor = torch.tensor(train_label_list) train_dataset = TensorDataset(train_data_tensor, train_label_tensor) print(train_dataset) val_data_tensor_list = [torch.tensor(x) for x in val_data_list] val_data_tensor = torch.stack(val_data_tensor_list) val_label_tensor = torch.tensor(val_label_list) val_dataset = TensorDataset(val_data_tensor, val_label_tensor) print(val_dataset)

这段代码的作用是将训练数据和验证数据转换为 PyTorch 中的 TensorDataset 数据集，并将数据集打印出来。首先，train_data_list 和 train_label_list 分别是训练数据和对应的标签，每个样本都是一个列表或数组。接下来，使用列表解析式将 train_data_list 中的每个样本转换为一个 PyTorch tensor，并将这些 tensor 存储在 train_data_tensor_list 列表中。然后，使用 torch.stack() 函数将 train_data_tensor_list 中的 tensor 沿着一个新的维度进行拼接，得到一个形状为 [num_samples, input_dim] 的二维 tensor，其中 num_samples 是样本数，input_dim 是每个样本的输入维度。train_label_tensor 也是类似的 tensor，其中每个元素是一个标签。同样的方法用于创建 val_dataset。最后，使用 print() 函数打印出 train_dataset 和 val_dataset，这些数据集将被用于 DataLoader 进行批量化训练。