所以我想对一些(3, 50, 50)图片进行分类。首先，我从没有数据加载器或批处理的文件中加载了数据集，它起作用了。现在，在添加了这两件事之后，我得到了那个错误：
RuntimeError: multi-target not supported at /pytorch/aten/src/THCUNN/generic/ClassNLLCriterion.cu:15
我在互联网上找到了很多答案，主要是使用，target.squeeze(1)但对我不起作用。我的目标批次如下所示：
tensor([[1, 0],
[1, 0],
[1, 0],
[1, 0],
[1, 0],
[1, 0],
[1, 0],
[1, 0]], device='cuda:0')
应该没问题吧？
这里是完整的代码（请注意，我只创建了模型的结构，之后我将在其上应用完整且正确的数据集，因为我还没有完整的数据，只有 32 张图片且没有标签，这就是为什么我添加torch.tensor([1, 0])为所有标签的占位符）：
RuntimeError: multi-target not supported at /pytorch/aten/src/THCUNN/generic/ClassNLLCriterion.cu:15
所以我希望它开始训练（当然不会因为标签错误而学习任何东西），提前致谢！
我是 pytorch 和深度学习的新手
我的数据集 53502 x 58，
我的代码有问题
model = nn.Sequential(
nn.Linear(58,64),
nn.ReLU(),
nn.Linear(64,32),
nn.ReLU(),
nn.Linear(32,16),
nn.ReLU(),
nn.Linear(16,2),
nn.LogSoftmax(1)
)
criterion = nn.NLLLoss()
optimizer = optim.AdamW(model.parameters(), lr = 0.0001)
epoch = 500
train_cost, test_cost = [], []
for i in range(epoch):
model.train()
cost = 0
for feature, target in trainloader:
output = model(feature) #feedforward
loss = criterion(output, target) #loss
loss.backward() #backprop
optimizer.step() #update weight
optimizer.zero_grad() #zero grad
cost += loss.item() * feature.shape[0]
train_cost.append(cost / len(train_set))
with torch.no_grad():
model.eval()
cost = …我有这个训练循环
def train(dataloader, model, loss_fn, optimizer):
size = len(dataloader.dataset)
model.train()
for batch, (X, y) in enumerate(dataloader):
X, y = torch.stack(X).to(device), torch.stack(y).to(device)
# Compute prediction error
pred = model(X)
loss = loss_fn(pred, y)
# Backpropagation
optimizer.zero_grad()
loss.backward()
optimizer.step()
if batch % 100 == 0:
loss, current = loss.item(), batch * len(X)
print(f"loss: {loss:>7f} [{current:>5d}/{size:>5d}]")
和这个lstm：
import torch
import torch.nn as nn
import pandas as pd
import numpy as np
class BELT_LSTM(nn.Module):
def __init__(self, input_size, hidden_size, num_layers):
super (BELT_LSTM, self).__init__()
self.hidden_size = …我使用 Huggingface 中的以下分类模型：
model = AutoModelForSequenceClassification.from_pretrained("dbmdz/bert-base-german-cased", num_labels=2).to(device)
据我了解，这会在预训练模型的末尾添加一个密集层，该模型有 2 个输出节点。但是之前的所有预训练层都被冻结了吗？或者微调时它们也会更新吗？我在文档中找不到有关该信息的信息...
那么我还需要做这样的事情吗？：
for param in model.bert.parameters():
param.requires_grad = False