使用复发性神经网络进行二进制值预测

Question

编辑：所述的问题已经解决，您将首先找到解决方案，最初的问题如下所示！

解决方案：

将.unsqueeze（0）应用于我的输入，解决了尺寸的问题。

第二个问题：

RuntimeError: expected scalar type Double but found Float

这是由我的培训集的错误数据型引起的。网络想要x_train as dtype = type = Torch.float32，y y ，但是AS dtype = type = torch.long。但是，我不知道这样的解释，也许有人可以作为评论回答。

另外，由于我的数据具有35个功能，因此模型的input_size将其更改为35。输出已固定在2上，因为我确实想要一个预测1 for Good和0 for Bad。

model = RNN(35, hidden_size, num_layers, 2).to(device)

问题：

我试图根据每个样本35个功能的训练集预测每个样本的10个不同的二进制值。我的方法是使用具有2层的RNN，但无法正确实施。当我尝试使用64号批次训练模型时，回报简单是

RuntimeError: input.size(-1) must be equal to input_size. Expected 64, got 35

如果我确实将批次大小设置为35以查看下一步，我会收到

RuntimeError: expected scalar type Double but found Float

为什么该模型将功能使用作为输入尺寸，以及在哪里可以双重问题来自其他论坛或帖子中没有找到类似的符号。

预先感谢您的帮助。

RNN：

class RNN(nn.Module):
    def __init__(self, input_size, hidden_size ,num_layers, output_size):
        super(RNN, self).__init__()
        self.num_layers = num_layers
        self.hidden_size = hidden_size
        self.rnn = nn.RNN(input_size, hidden_size, num_layers, nonlinearity='relu',batch_first=True)

        self.fc = nn.Linear(hidden_size, output_size)
        self.softmax = nn.Softmax(dim=1)
        

    def forward(self, x):
        
        # self.hidden_size).to(device)
        h = torch.zeros(self.num_layers, x.size(0), self.hidden_size)

        out, _ = self.rnn(x, h)

        out = out.contiguous().view(-1, self.hidden_size)

        out = self.fc(out)

        out = self.softmax(out)

        return out

来实现模型

model = RNN(batch_size, hidden_size, num_layers, output_size).to(device)

通过：使用训练循环

for epoch in range(num_epochs):
    for index, (inputs, labels) in enumerate(dataloader):  
        # forward, backward, update
        print(f'inputs {inputs.shape}')
        

        # Forward pass
        outputs = model(inputs.unsqueeze(1))
        loss = criterion(outputs, labels)
        
        # Backward and optimize
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
        
        print (f'Epoch [{epoch+1}/{num_epochs}], Step [{index+1}/{n_total_steps}], Loss: {loss.item():.4f}')

：使用启动循环以添加输入维度，因为该模型需要3个维度，但是数据集只有2个维度

Answer 1

网络定义应独立于批处理大小。输入_size是功能数量。