Pytorch 多类逻辑回归类型错误

Question

我是 ML 新手，对 Pytorch 更加天真。这就是问题所在。 （我已经跳过了某些部分，比如 random_split() 似乎工作得很好）

我必须从数据集中预测葡萄酒的质量（红色），它是包含 6 个类别的最后一列

That's what my dataset looks like

The link to the dataset (winequality-red.csv)

features = df.drop(['quality'], axis = 1)
targets = df.iloc[:, -1] # theres 6 classes

dataset = TensorDataset(torch.Tensor(np.array(features)).float(), torch.Tensor(targets).float())
# here's where I think the error might be, but I might be wrong

batch_size = 8
# Dataloader

train_loader = DataLoader(train_ds, batch_size, shuffle = True)
val_loader = DataLoader(val_ds, batch_size)
test_ds = DataLoader(test_ds, batch_size)

input_size = len(df.columns) - 1
output_size = 6
threshold = .5

class WineModel(nn.Module):

  def __init__(self):
    super().__init__()
    self.linear = nn.Linear(input_size, output_size)

  def forward(self, xb):
    out = self.linear(xb)
    return out

model = WineModel()
n_iters = 2000
num_epochs = n_iters / (len(train_ds) / batch_size)
num_epochs = int(num_epochs)

criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=1e-2)

# the part below returns the error on running
iter = 0 
for epoch in range(num_epochs):
  for i, (x, y) in enumerate(train_loader):
    optimizer.zero_grad()
    outputs = model(x)
    loss = criterion(outputs, y)
    loss.backward()
    optimizer.step()

RuntimeError: 预期标量类型 Long 但发现 Float

希望这是足够的信息

Answer 1

为nn.CrossEntropyLoss作为类指标给出，它需要是整数的索引，所以要精确地为torch.long，它相当于torch.int64。

您将目标转换为floats，但您应该将它们转换为龙：

dataset = TensorDataset(torch.Tensor(np.array(features)).float(), torch.Tensor(targets).long())

由于目标是类的索引，它们必须在范围 [0，num_classes - 1] em>。正如您所拥有的6个课程范围[0,5]。快速查看数据，质量在范围内使用值[3,8]。即使您有6个类，也不能直接使用该值作为类。如果将类列出为classes = [3, 4, 5, 6, 7, 8]，则可以看到第一类是3，classes[0] == 3，最多一个类在classes[5] == 8。

您需要用索引替换类值，就像您用于命名类（例如，如果您有类 DOG EM>和 CAT EM>，狗） em>将是0和 cat em>是1），但是您可以避免立即查找它们，因为这些值简单地由3，即index = classes[index] - 3。因此，您可以从整个目标张量中减去3：

torch.Tensor(targets).long() - 3