如何让一热数据兼容非一热数据？

Question

我正在制作一个机器学习模型来计算不同角色组合的游戏胜率。 我使用损失函数在最后一行出错。我认为这是因为输入是单热向量。 模型的输出与目标数据不兼容。因为目标数据只是布尔值，无论输赢。请给我建议以解决这个问题。如何让一键输入与非一键兼容？

'''for example, when the number of character is 4 and eahc team member is 2.
   x_data is [ [[0,0,1,0], [0,1,0,0], [1,0,0,0,],[0,1,0,0]],  [game2]...]
                team A1,    temaA2,     temaB1     teamB2
'''


y_data = [[0], [0], [0], [1], [1], [1]] # team blue win: 1, lose : 0
x_train = torch.FloatTensor(x_data)
y_train = torch.FloatTensor(y_data)

class BinaryClassifier(nn.Module):
    def __init__(self):
        super(BinaryClassifier, self).__init__()

        self.layer1 = nn.Sequential(
            nn.Linear(in_features=num_characters, out_features=10, bias=True),
            nn.ReLU(), 
            )

        self.layer2 = nn.Sequential(
            nn.Linear(in_features=10, out_features=1, bias=True),
            nn.Sigmoid(), 
            )
    
    def forward(self, x):
        x = self.layer1(x) 
        x = self.layer2(x)
        return torch.sigmoid(x)

model = BinaryClassifier()
optimizer = optim.SGD(model.parameters(), lr=1)

nb_epochs = 1000
for epoch in range(nb_epochs + 1):

    hypothesis = model(x_train)
    cost = nn.BCELoss(hypothesis, y_train)

 # RuntimeError: bool value of Tensor with more than one value is ambiguous

Answer 1

首先，您的问题与 One-hot 编码无关，因为您的模型的输出是一个数字，而 Y_data 是 0-1，因此它们是兼容的。您的问题是关于实例化损失。 因此，您必须实例化损失然后传递参数：

...
model = BinaryClassifier()
optimizer = torch.optim.SGD(model.parameters(), lr=1)
loss = nn.BCELoss()

nb_epochs = 1000
for epoch in range(nb_epochs + 1):

    hypothesis = model(x_train)
    cost = loss(hypothesis, y_train)

关于你的 x_data，如果你的数据是这样的：

[[0,0,1,0], [0,1,0,0], [1,0,0,0,], [0,1,0,0],...]

在 self.layer1 中，您应该使用 4 指定 in_features。

如果 x_data 是这样的：

[ [[0,0,1,0], [0,1,0,0], [1,0,0,0,], [0,1,0,0]], [[0,0,1,0], [0,1,0,0], [1,0,0,0,], [0,1,0,0]], ...]

如果您想使用线性层，则必须将每个样本展平，因为线性层接受 1-dim 输入。

例如，上面将是：

[[0,0,1,0,0,1,0,0,1,0,0,0,0,1,0,0], [0,0,1,0,0,1,0,0,1,0,0,0,0,1,0,0], ...]

和in_features=16。

供您参考，您可以将 CNN（卷积神经网络）用于 2 维及以上的输入，而对于系列输入，您可以使用 RNN（循环神经网络）。

希望对您有所帮助。