小编Nak*_*hya的帖子

我正在尝试通过实施本文中描述的加权损失方法来改进我制作的 CNN 。为此，我研究了这个笔记本，它实现了论文中描述的方法的伪代码。

RuntimeError: One of the differentiated Tensors appears to not have been used in the graph. Set allow_unused=True if this is the desired behavior当将他们的代码转换为我的模型时，我在使用时遇到了错误torch.autograd.grad()。

我的代码和错误位于倒数第二行：

for epoch in range(1): #tqdm(range(params['epochs'])):
  model.train()
  text_t, labels_t = next(iter(train_iterator))
  text_t = to_var(text_t, requires_grad=False)
  labels_t = to_var(labels_t, requires_grad=False)
  dummy = L2RWCNN(INPUT_DIM, EMBEDDING_DIM, N_FILTERS, FILTER_SIZES, OUTPUT_DIM, 
                DROPOUT, PAD_IDX)
  dummy.state_dict(model.state_dict())
  dummy.cuda()
  y_f_hat = dummy(text_t)
  cost = F.binary_cross_entropy_with_logits(y_f_hat.squeeze(), labels_t, reduce = False)
  eps = to_var(torch.zeros(cost.size()))
  l_f_meta = torch.sum(cost * eps) …

我正在使用 React 上下文来保存我的应用程序的身份验证状态。目前，我遇到了一个问题，每当我尝试点击 时/groups/:id，它总是/login首先将我重定向到/UserDash. 发生这种情况是因为我的 AuthProvider 的上下文更新得不够快，而我的私有路由利用 AuthContext 来决定是否重定向。

<AuthProvider>
    <Router>
        <Switch>
            <LoggedRoute exact path = "/" component = {Home}/>
            <Route exact path = "/login" component = {Login}/>
            <PrivateRoute exact path = "/groups/:id" component = {GroupDash}/>
            <PrivateRoute exact path = "/UserDash" component = {UserDash}/>
        </Switch>
    </Router>
</AuthProvider>

在另一个文件中：

export const AuthContext = React.createContext();

export const AuthProvider = ({children}) => {
  const [currentUser, setCurrentUser] = useState(null);
  useEffect(() => {
      firebaseApp.auth().onAuthStateChanged(setCurrentUser);
  },[]);
    return (
        <AuthContext.Provider
            value …

我目前正在使用这个存储库来执行 NLP 并使用我自己的数据集了解有关 CNN 的更多信息，但我不断遇到有关形状不匹配的错误：

ValueError: Target size (torch.Size([64])) must be the same as input size (torch.Size([15]))

     10 }
     11 for epoch in tqdm(range(params['epochs'])):
---> 12     train_loss, train_acc = train(model, train_iterator, optimizer, criterion)
     13     valid_loss, valid_acc = evaluate(model, valid_iterator, criterion)
     14     epoch_mins, epoch_secs = epoch_time(start_time, end_time)

     57         print("PredictionShapeAfter:")
     58         print(predictions.shape)
---> 59         loss = criterion(predictions, batch.l)
     60 
     61         acc = binary_accuracy(predictions, batch.l)

经过一番挖掘，我发现我的 CNN 预测与其所比较的训练数据事实大小不同：

  Input Shape:
    torch.Size([15, 64])
    Truth Shape:
    torch.Size([64])
    embedded unsqueezed: torch.Size([15, 1, 64, 100]) …

我正在尝试在 R 中进行匿名递归，并使用管道来学习。下面的代码运行良好

sorttt <- function(list){
  if (length(list) == 0) c() else c(max(list), Recall(list[list < max(list)]))
}

example %>% sorttt

但这段代码出错了，并出现以下错误：Error in example %>% function(list) { : invalid formal argument list for "function"

example %>% function(list){if (length(list) == 0) c() else c(max(list), Recall(list[list < max(list)]))}

有谁知道为什么这两者可能表现不同？这些在逻辑上似乎是同一件事。

我有一个包含 n 列的数据框，如下所示，所有列都是数字（例如，下面只有 3 个，但实际的数字未知）。

col_1 col_2 col_3 
1      3     7   
3      8     9   
5      5     2 
8      10    1
11     9     2 

我试图根据这个方程转换每一列的数据：(x-min(col)/(max(col)-min(col))以便每个元素都根据列中的值进行缩放。

有没有办法在不使用 for 循环遍历每一列的情况下做到这一点？将 sapply 或 tapply 在这里工作吗？