Блог

Я все еще борюсь с PyTorch, поиграв некоторое время с Keras (что кажется намного более интуитивным). В любом случае — у меня есть приведенный ниже код модели nn.linear, который отлично работает только для одной функции ввода, где:

 inputDim = 1  
 

Сейчас я пытаюсь расширить тот же код, чтобы включить 2 функции, и поэтому я включил еще один столбец в свой фрейм данных функций, а также установил:

 inputDim = 2  
 

Однако, когда я запускаю код, я получаю страшную ошибку:

 RuntimeError: mat1 dim 1 must match mat2 dim 0
 

Эта ошибка ссылается на строку 63, которая:

     outputs = model(inputs)
 

Я просмотрел здесь несколько других сообщений, касающихся этой ошибки размерности, но я все еще не вижу, что не так с моим кодом. Любая помощь будет оценена.
Полный код выглядит так:

 import numpy as np
import pandas as pd
import torch
from torch.autograd import Variable
import matplotlib.pyplot as plt


device = 'cuda' if torch.cuda.is_available() else 'cpu'

df = pd.read_csv('Adjusted Close - BAC-UBS-WFC.csv')
x = df[['BAC', 'UBS']]
y = df['WFC']

# number_of_features = x.shape[1]
# print(number_of_features)


x_train = np.array(x, dtype=np.float32)
x_train = x_train.reshape(-1, 1)

y_train = np.array(y, dtype=np.float32)
y_train = y_train.reshape(-1, 1)


class linearRegression(torch.nn.Module):
    def __init__(self, inputSize, outputSize):
        super(linearRegression, self).__init__()
        self.linear = torch.nn.Linear(inputSize, outputSize)

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


inputDim = 2  
outputDim = 1  
learningRate = 0.01
epochs = 500

# Model instantiation
torch.manual_seed(42)
model = linearRegression(inputDim, outputDim)
if torch.cuda.is_available(): model.cuda()

criterion = torch.nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(), lr=learningRate)

# Model training
loss_series = []
for epoch in range(epochs):
    # Converting inputs and labels to Variable
    inputs = Variable(torch.from_numpy(x_train).cuda())
    labels = Variable(torch.from_numpy(y_train).cuda())

    # Clear gradient buffers because we don't want any gradient from previous epoch to carry forward, dont want to cummulate gradients
    optimizer.zero_grad()

    # get output from the model, given the inputs
    outputs = model(inputs)

    # get loss for the predicted output
    loss = criterion(outputs, labels)
    loss_series.append(loss.item())
    print(loss)
    # get gradients w.r.t to parameters
    loss.backward()

    # update parameters
    optimizer.step()

    print('epoch {}, loss {}'.format(epoch, loss.item()))

# Calculate predictions on training data
with torch.no_grad():  # we don't need gradients in the testing phase
    predicted = model(Variable(torch.from_numpy(x_train).cuda())).cpu().data.numpy()


 

Общий совет: для ошибок с размерностью обычно помогает выводить размеры на каждом шаге вычисления.

Скорее всего, в этом конкретном случае вы допустили ошибку, изменив ввод с помощью этого x_train = x_train.reshape(-1, 1)

Ваш ввод — (N,1) это то, что ожидает NN (N,2) .