在Pytorch中获取一个错误: IndexError:维度超出范围(预期在[-1，0]范围内，但得到1)

Question

我的代码好像有问题。错误发生在：

x, predicted = torch.max(net(value).data.squeeze(), 1)

我不知道是什么问题，我已经尽力去解决了。据我理解，张量维度似乎有问题。我不知道还能做什么。有人能给我一些关于如何解决这个问题的建议或解决方案吗？提前谢谢你。

class Network(nn.Module): #Class for the neural network
def __init__(self):
    super(Network, self).__init__()
    self.layer1 = nn.Linear(6, 10) #First number in the number of inputs(784 since 28x28 is 784.) Second number indicates the number of inputs for the hidden layer(can be any number).
    self.hidden = nn.Softmax() #Activation Function
    self.layer2 = nn.Linear(10, 1) #First number is the hidden layer number(same as first layer), second number is the number of outputs.
    self.layer3 = nn.Sigmoid()

def forward(self, x): #Feed-forward part of the neural network. We will will feed the input through every layer of our network.
    y = self.layer1(x)
    y = self.hidden(y)
    y = self.layer2(y)
    y = self.layer3(y)
    return y #Returns the result

net = Network()
loss_function = nn.BCELoss()
optimizer = optim.SGD(net.parameters(), lr=0.01)

for x in range(1): #Amount of epochs over the dataset
for index, value in enumerate(new_train_loader):
    print(value)#This loop loops over every image in the dataset 
    #actual = value[0]
    actual_value = value[5]
    #print(value.size())
    #print(net(value).size())
    print("ACtual", actual_value)
    net(value)
    loss = loss_function(net(value), actual_value.unsqueeze(0)) #Updating our loss function for every image
    #Backpropogation
    optimizer.zero_grad() #Sets gradients to zero.
    loss.backward() #Computes gradients
    optimizer.step() #Updates gradients
    print("Loop #: ", str(x+1), "Index #: ", str(index+1), "Loss: ", loss.item())


right = 0
total = 0
for value in new_test_loader:
actual_value = value[5]
#print(torch.max(net(value).data, 1))
print(net(value).shape)
x, predicted = torch.max(net(value).data.squeeze(), 1)
total += actual_value.size(0)
right += (predicted==actual_value).sum().item()
print("Accuracy: " + str((100*right/total)))

我还应该提到，我正在使用最新版本。

Answer 1

您正在对模型的输出调用.squeeze()，它删除了所有奇异维度(尺寸为1的维度)。您的模型输出的大小为batch_size，1，因此.squeeze()完全删除了第二个维度，从而导致了batch_size大小。之后，您将尝试获取维度1的最大值，但唯一的维度是第0维度。

在这种情况下，你不需要取最大值，因为你只有一个类作为输出，而在模型结束时，乙状结肠得到0，1之间的值。由于你在做一个二进制分类，单个类的作用是两个，要么是0，要么是1。所以它可以被看作是1类的概率。然后你只需要设置一个阈值0.5，当概率超过0.5，它是1级，如果概率小于0.5，它就是0类。这正是舍入的作用，因此您可以使用torch.round。

output = net(value)
predicted = torch.round(output.squeeze())

另外，您要使用相同的值多次调用net(value)，这意味着它的输出也要多次计算，因为它需要再次遍历整个网络。这是不必要的，您应该将输出保存在一个变量中。对于这个小网络，它并不明显，但是对于较大的网络，需要花费大量不必要的时间来重新计算输出。