dtype=np.long numpy没有np.long,怎么办?

对于 NumPy 来说，没有 `np.long` 这种数据类型。如果你需要使用 64 位整数类型，可以使用 `np.int64`。所以你可以将代码中的 `dtype=np.long` 替换为 `dtype=np.int64`，例如：

audio = np.frombuffer(b''.join(frames), dtype=np.int64)

这样应该就可以解决数据类型不匹配的问题了。

相关问题

import torch import os import torch.nn as nn import torch.optim as optim import numpy as np import random class Net(nn.Module): def init(self): super(Net, self).init() self.conv1 = nn.Conv2d(1, 16, kernel_size=3,stride=1) self.pool = nn.MaxPool2d(kernel_size=2,stride=2) self.conv2 = nn.Conv2d(16, 32, kernel_size=3,stride=1) self.fc1 = nn.Linear(32 * 9 * 9, 120) self.fc2 = nn.Linear(120, 84) self.fc3 = nn.Linear(84, 2) def forward(self, x): x = self.pool(nn.functional.relu(self.conv1(x))) x = self.pool(nn.functional.relu(self.conv2(x))) x = x.view(-1, 32 * 9 * 9) x = nn.functional.relu(self.fc1(x)) x = nn.functional.relu(self.fc2(x)) x = self.fc3(x) return x net = Net() criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9) folder_path = 'random_matrices2' # 创建空的tensor x = torch.empty((40, 1, 42, 42)) # 遍历文件夹内的文件，将每个矩阵转化为tensor并存储 for j in range(40): for j in range(40): file_name = 'matrix_{}.npy'.format(j) file_path = os.path.join(folder_path, file_name) matrix = np.load(file_path) x[j] = torch.from_numpy(matrix).unsqueeze(0) #y = torch.cat((torch.zeros(20), torch.ones(20))) #y = torch.cat((torch.zeros(20, dtype=torch.long), torch.ones(20, dtype=torch.long))) y = torch.cat((torch.zeros(20, dtype=torch.long), torch.ones(20, dtype=torch.long)), dim=0) for epoch in range(10): running_loss = 0.0 for i in range(40): inputs = x[i] labels = y[i].unsqueeze(0) labels = labels.long() optimizer.zero_grad() outputs = net(inputs) #loss = criterion(outputs, labels) loss = criterion(outputs.unsqueeze(0), labels.float()) loss.backward() optimizer.step() running_loss += loss.item() print('[%d] loss: %.3f' % (epoch + 1, running_loss / 40)) print('Finished Training') 报错：RuntimeError: Expected target size [1, 2], got [1]，怎么修改？

这个错误是因为标签labels的形状不正确。在你的代码中，你使用了`labels = y[i].unsqueeze(0)`来定义标签，但这会将标签的形状从`(20,)`转换为`(1,20)`。因此，你需要使用`labels = y[i]`来定义标签，这样标签的形状将是`(1,)`，然后在计算损失时，使用`loss = criterion(outputs.unsqueeze(0), labels)`即可。修改后的代码如下：

import torch 
import os 
import torch.nn as nn 
import torch.optim as optim 
import numpy as np 
import random 

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 16, kernel_size=3,stride=1)
        self.pool = nn.MaxPool2d(kernel_size=2,stride=2)
        self.conv2 = nn.Conv2d(16, 32, kernel_size=3,stride=1)
        self.fc1 = nn.Linear(32 * 9 * 9, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 2)

    def forward(self, x):
        x = self.pool(nn.functional.relu(self.conv1(x)))
        x = self.pool(nn.functional.relu(self.conv2(x)))
        x = x.view(-1, 32 * 9 * 9)
        x = nn.functional.relu(self.fc1(x))
        x = nn.functional.relu(self.fc2(x))
        x = self.fc3(x)
        return x

net = Net()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

folder_path = 'random_matrices2'

# 创建空的tensor
x = torch.empty((40, 1, 42, 42))

# 遍历文件夹内的文件，将每个矩阵转化为tensor并存储
for j in range(40):
    file_name = 'matrix_{}.npy'.format(j)
    file_path = os.path.join(folder_path, file_name)
    matrix = np.load(file_path)
    x[j] = torch.from_numpy(matrix).unsqueeze(0)

y = torch.cat((torch.zeros(20, dtype=torch.long), torch.ones(20, dtype=torch.long)), dim=0)

for epoch in range(10):
    running_loss = 0.0
    for i in range(40):
        inputs = x[i]
        labels = y[i]
        optimizer.zero_grad()
        outputs = net(inputs)
        loss = criterion(outputs.unsqueeze(0), labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
    print('[%d] loss: %.3f' % (epoch + 1, running_loss / 40))

print('Finished Training')

希望能够帮助到你。

def __getitem__(self, idx): i = np.random.randint(0, len(self.data) - (self.ctx_len + 1)) # cheat: pick a random spot in dataset chunk = self.data[i:i+self.ctx_len+1] dix = [self.stoi[s] for s in chunk] x = torch.tensor(dix[:-1], dtype=torch.long) y = torch.tensor(dix[1:], dtype=torch.long) return x, y

这段代码是`Dataset`类的`__getitem__`方法。该方法用于实现索引操作，通过索引获取数据集中的一个样本。

首先，代码使用`np.random.randint(0, len(self.data) - (self.ctx_len + 1))`随机生成一个索引`i`，该索引用于选择数据集中的一个随机位置作为样本的起始位置。这里使用了`np.random.randint`函数从0到`(self.ctx_len + 1)`之间生成一个随机整数，用于确定样本的起始位置。

然后，代码从数据集中选取从起始位置`i`到`(i+self.ctx_len+1)`之间的一段数据作为样本的片段，存储在变量`chunk`中。

接下来，代码使用`self.stoi[s]`将`chunk`中的每个单词映射为对应的索引，并将结果存储在列表`dix`中。

然后，代码将列表`dix[:-1]`转换为一个PyTorch张量，并将其命名为`x`。这里使用了切片操作`[:-1]`来获取除最后一个元素之外的所有元素。

代码接着将列表`dix[1:]`转换为另一个PyTorch张量，并将其命名为`y`。这里使用了切片操作`[1:]`来获取除第一个元素之外的所有元素。

最后，代码返回张量`x`和张量`y`作为样本的输入和目标。

注意，这段代码还使用了`torch`和`np`模块，但是没有在代码中导入这些模块，所以你可能需要在代码开头添加以下导入语句：

import torch
import numpy as np