UserWarning: This pattern is interpreted as a regular expression, and has match groups. To actually get the groups, use str.extract.

UserWarning这个提示通常在Python的正则表达式模块`re`中出现。当你试图从字符串中通过模式匹配提取信息，并期望得到的是匹配到的部分而不是整个匹配结果时，会收到这样的警告。原始的模式被视为一个正则表达式，它包含了捕获组（match groups），即你可以选择提取出来的一部分。

例如，如果你有类似这样的代码：

import re
result = re.search(r'(\d+)-(\d+)', 'abc123-456def')
print(result.group())

这里 `(\d+-\d+)` 就是一个包含两个捕获组的模式，`re.search` 返回的是一个匹配对象，而不仅仅是匹配的文本。如果你想直接获取分组的结果，应该使用 `.groups()` 或者 `.group(i)` 来分别获取每个分组的内容，其中 `i` 是分组编号（从1开始）。

解决这个问题的方法是明确地调用`.extract` 或者 `.search(...).group()` 后跟组号或元组形式的组名，如：

result = re.search(r'(\d+)-(\d+)', 'abc123-456def')
matches = result.groups()  # 使用 groups 获取所有组
first_group, second_group = matches  # 或者按索引取

相关问题

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！

C:\Program Files\Python311\Lib\site-packages\torchvision\models\_utils.py:208: UserWarning: The parameter 'pretrained' is deprecated since 0.13 and may be removed in the future, please use 'weights' instead. warnings.warn( C:\Program Files\Python311\Lib\site-packages\torchvision\models\_utils.py:223: UserWarning: Arguments other than a weight enum or `None` for 'weights' are deprecated since 0.13 and may be removed in the future. The current behavior is equivalent to passing `weights=ResNet50_Weights.IMAGENET1K_V1`. You can also use `weights=ResNet50_Weights.DEFAULT` to get the most up-to-date weights. warnings.warn(msg)

这个警告信息是由 `_utils.py` 文件中的代码触发的。它指出在未来版本中，`pretrained` 参数会被弃用，建议改用 `weights` 参数。另外，除了权重枚举或 `None`，其他参数值也会在未来版本中被弃用。

根据警告信息提供的建议，您可以尝试将 `pretrained` 参数替换为 `weights` 参数，并将其设置为 `ResNet50_Weights.IMAGENET1K_V1` 或 `ResNet50_Weights.DEFAULT`。这样可以避免警告信息，并使用最新的权重。

例如：

model = ResNet50(pretrained=False, weights=ResNet50_Weights.IMAGENET1K_V1)

请确保您的代码与 TorchVision 版本兼容，并尽量使用最新的 API。如果您仍然遇到问题，请提供更多相关的代码和报错信息，以便我能够更深入地帮助您。