标签: pytorch

我在 pytorch 1.3.1 中使用tensorboard，并且我在pytorch 文档中为tensorboard做了完全相同的事情。运行后tensorboard --logdir=runs，我得到了这个：

。

$ tensorboard --logdir=runs
TensorFlow installation not found - running with reduced feature set.
Serving TensorBoard on localhost; to expose to the network, use a proxy or pass --bind_all
TensorBoard 2.1.0 at http://localhost:6006/ (Press CTRL+C to quit)

打开 http://localhost:6006/ 后，我得到这样的空白页面

我也尝试了tensorboardX，并得到了相同的结果。您能告诉我如何解决这个问题吗？谢谢。

假设我有一个以下形式的张量

[[-5, 0, -1],
 [3, 100, 87],
 [17, -34, 2],
 [45, 1, 25]]

我想找到每一行中的最大值并返回一个 1 级张量，如下所示：

[0,
 100,
 17,
 45]

我该如何在 PyTorch 中做到这一点？

我正在关注 Pytorch 的Tensorboard文档。

我有以下代码：

model = torchvision.models.resnet50(False)
writer.add_graph(model)

它抛出以下错误：

_ = model(*args) # 不捕获，只打印错误信息

TypeError：* 之后的 ResNet 对象参数必须是可迭代的，而不是 NoneType

我不知道我在这里做错了什么！

有人可以告诉我方法中多个参数背后的概念吗forward()？一般来说，方法的实现forward()有两个参数

1. 自己
2. 输入

如果前向方法的参数多于这些参数，PyTorch 如何使用前向方法。

让我们考虑这个代码库： https://github.com/bamps53/kaggle-autonomous-driven2019/blob/master/models/centernet.py 这里在线 236 位作者使用了带有两个参数的前向方法：

1. 中心
2. 返回嵌入

我找不到一篇文章可以回答我关于第 254( return_embeddings:) 行和第 257( if centers is not None:) 行将在什么条件下执行的查询。据我所知，该方法由 nn 模块内部调用。有人可以在这上面放一些灯吗？

我需要在 PyTorch 中实现多标签图像分类模型。然而我的数据不平衡，所以我使用WeightedRandomSamplerPyTorch 中的创建自定义数据加载器。但是当我迭代自定义数据加载器时，我收到错误：IndexError: list index out of range

使用此链接实现了以下代码：https://discuss.pytorch.org/t/balanced-sampling- Between-classes-with-torchvision-dataloader/2703/3?u=surajsubramanian

def make_weights_for_balanced_classes(images, nclasses):                        
    count = [0] * nclasses                                                      
    for item in images:                                                         
        count[item[1]] += 1                                                     
    weight_per_class = [0.] * nclasses                                      
    N = float(sum(count))                                                   
    for i in range(nclasses):                                                   
        weight_per_class[i] = N/float(count[i])                                 
    weight = [0] * len(images)                                              
    for idx, val in enumerate(images):                                          
        weight[idx] = weight_per_class[val[1]]                                  
    return weight 

weights = make_weights_for_balanced_classes(train_dataset.imgs, len(full_dataset.classes))
weights = torch.DoubleTensor(weights)
sampler = WeightedRandomSampler(weights, len(weights))

train_loader = DataLoader(train_dataset, batch_size=4,sampler = sampler, pin_memory=True)   

根据/sf/answers/4256944681/ …

在Pytorch中，是否有类似于Scipy的三次样条插值？给定一维输入张量x和y，我想对这些点进行插值并在 处求值xs以获得ys。另外，我想要一个积分器函数来查找，即从到 的Ys样条插值的积分。x[0]xs

我正在使用 PyTorch 训练 CNN 架构来解决回归问题，其中我的输出是 20 个值的张量。我计划使用 RMSE 作为模型的损失函数，并尝试使用 PyTorchnn.MSELoss()并对其进行平方根，torch.sqrt()但在获得结果后感到困惑。我会尽力解释原因。很明显，对于批量大小，bs我的输出张量的尺寸将为[bs , 20]。我尝试实现我自己的 RMSE 函数：

   def loss_function (predicted_x , target ):
        loss = torch.sum(torch.square(predicted_x - target) , axis= 1)/(predicted_x.size()[1]) #Taking the mean of all the squares by dividing it with the number of outputs i.e 20 in my case
        loss = torch.sqrt(loss)
        loss = torch.sum(loss)/predicted_x.size()[0]  #averaging out by batch-size
        return loss

但是我的输出loss_function()和 PyTorch 如何实现它是nn.MSELoss()不同的。我不确定我的实现是否错误或者我是否nn.MSELoss()以错误的方式使用。

在 CPU 上，与 numpy 数组torch.as_tensor(a)相同， ？如果没有，那为什么不呢？torch.from_numpy(a)a

从文档中torch.as_tensor

如果数据是ndarray对应的dtype并且device是cpu，则不会执行任何复制。

从文档中torch.from_numpy：

返回的张量和ndarray共享相同的内存。对张量的修改将反映在 中，ndarray反之亦然。

在这两种情况下，结果张量的任何更改都会更改原始 numpy 数组。

a = np.array([[1., 2], [3, 4]])
t1 = torch.as_tensor(a)
t2 = torch.from_numpy(a)
t1[0, 0] = 42.
print(a)
# prints [[42., 2.], [3., 4.]]
t2[1, 1] = 55.
print(a)
# prints [[42., 2.], [3., 55.]]

此外，在这两种情况下，尝试调整张量的大小都会导致错误。

我是 PyTorch 的新手，最近我一直在尝试使用 Transformers。我正在使用 HuggingFace 提供的预训练分词器。
我成功下载并运行它们。但如果我尝试保存它们并再次加载，则会发生一些错误。
如果我用来 AutoTokenizer.from_pretrained下载分词器，那么它就可以工作。

[1]:    tokenizer = AutoTokenizer.from_pretrained('distilroberta-base')
        text = "Hello there"
        enc = tokenizer.encode_plus(text)
        enc.keys()

Out[1]: dict_keys(['input_ids', 'attention_mask'])

但是，如果我使用保存它tokenizer.save_pretrained("distilroberta-tokenizer")并尝试在本地加载它，则会失败。

[2]:    tmp = AutoTokenizer.from_pretrained('distilroberta-tokenizer')


---------------------------------------------------------------------------
OSError                                   Traceback (most recent call last)
/opt/conda/lib/python3.7/site-packages/transformers/configuration_utils.py in get_config_dict(cls, pretrained_model_name_or_path, **kwargs)
    238                 resume_download=resume_download,
--> 239                 local_files_only=local_files_only,
    240             )

/opt/conda/lib/python3.7/site-packages/transformers/file_utils.py in cached_path(url_or_filename, cache_dir, force_download, proxies, resume_download, user_agent, extract_compressed_file, force_extract, local_files_only)
    266         # File, but it doesn't exist.
--> 267         raise EnvironmentError("file {} not found".format(url_or_filename))
    268     else:

OSError: file …

我是 PyTorch 的新手，我从 cnn 层收到以下错误：“RuntimeError：预期标量类型 Double 但发现 Float”。我将每个元素转换为.astype(np.double)但错误消息仍然存在。然后在转换后Tensor尝试使用.double()，但错误消息仍然存在。这是我的代码，以便更好地理解：

import torch.nn as nn
class CNN(nn.Module):
    
    # Contructor
    def __init__(self, shape):
        super(CNN, self).__init__()
        self.cnn1 = nn.Conv1d(in_channels=shape, out_channels=32, kernel_size=3)
        self.act1 = torch.nn.ReLU()
    # Prediction
    def forward(self, x):
        x = self.cnn1(x)
        x = self.act1(x)
    return x
    
    X_train_reshaped = np.zeros([X_train.shape[0],int(X_train.shape[1]/depth),depth])
    
    for i in range(X_train.shape[0]):
        for j in range(X_train.shape[1]): 
            X_train_reshaped[i][int(j/3)][j%3] = X_train[i][j].astype(np.double)
    
    X_train = torch.tensor(X_train_reshaped)
    y_train = torch.tensor(y_train)
    
    # Dataset w/o any tranformations
    train_dataset_normal = CustomTensorDataset(tensors=(X_train, y_train), transform=None)
    train_loader = …