小编ays*_*duz的帖子

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 = …

我搜索了，我找不到像我这样的问题。因此，如果有，但不知何故我找不到，请告诉我。所以我可以删除这个帖子。

我遇到了一个问题，无法按值将 Pandas 数据帧拆分为不同的数据帧 (df)。

我在文本文件中有一个数据集，我将它们存储为pandas dataframe只有一列。数据集中有不止一组信息，并且某个值定义了该组的结尾，您可以在下面看到一个示例：

样本输入

In [8]: df
Out[8]: 
  var1
0    a
1    b
2    c
3    d
4    endValue
5    h
6    f
7    b
8    w
9    endValue

所以我想把这个 df 拆分成不同的数据帧。我找不到办法做到这一点，但我相信一定有一个简单的方法。我在示例输出中显示的格式可能是错误的格式。所以，如果你有更好的主意，我很乐意看到。谢谢你的帮助。

我想要的示例输出

  var1
{[0    a
1    b
2    c
3    d
4    endValue]},
{[0    h
1    f
2    b
3    w
4    endValue]}

我在Python3中使用Opencv2.
我正在为新闻视频写"镜头边界检测"程序.
我只需要将视频帧分成9个部分作为开​​头.但是,我不知道如何做到这一点我是这个领域的新手.我是通过裁剪做到的,但在我看来,将框架拆分成碎片是不对的.

注意:当我使用"我的标题"搜索时,我无法达到ROI答案.但现在看来这就是投资回报率.

我正在尝试运行一个简单的自动编码器模型。我正在从包含词嵌入的 csv 中读取训练数据。我有这段代码，但标题中的错误是在model.fit() 函数中引发的，并与我的validation data. 我尝试了很多东西，但错误仍然存​​在。我是 NLP 新手，也许我的逻辑完全错误，我不知道。因此，如果有人可以提供帮助，我将不胜感激。这是我的代码：

def train_predict(df):
X_train, X_validation = train_test_split(df, test_size=0.3, random_state=42, shuffle=True)
X = X_train.iloc[:, :-1].to_numpy()           #shape is (1880,220) in here
X = tf.expand_dims(X, axis=-1)                #shape is (1880,220,1)
X_val = X_validation.iloc[:,:-1].to_numpy()   #shape is (300,220)
X_val= tf.expand_dims(X_val, axis=-1)         #shape is (300,220,1)

inputs, decoder_output, visualization = autoEncoder(X)

model = Model(inputs=inputs, outputs=decoder_output)
encoder_model = Model(inputs=inputs, outputs=visualization)

batch_size = 128
train_steps = len(X) // batch_size
val_steps = len(X_val) // batch_size
model.summary()
model.compile(optimizer='adam', metrics=['accuracy'], loss='mean_squared_error')
model.fit(X, steps_per_epoch=train_steps, …