运行时错误：matmul 的两个参数都必须至少为 1d，但它们是 0d 和 2d

Question

这是我写的代码，我尝试过到处修改，但总是遇到同样的错误。由于我是 PyTorch 的初学者，我只是尝试看看机器学习是否适用于线性数据集。因此，我随机初始化了一个数据集。然后，制作了一个单一的线性神经网络。然后，根据线性数据训练神经网络。尽管如此，我有一个错误，指出 matmul 需要 1d 数据，但我的数据至少是 1d，但却被读取为 0d。

import torch 
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
import random

class LinearNetwork(nn.Module):
    def __init__(self):
        super(LinearNetwork, self).__init__()
        self.fc1 = nn.Linear(1, 1)

    def forward(self, input):
        x = self.fc1(input)
        return x; 

#Generate a Dataset to train on. Just a linear function, and we wanna see if this thing is working 
DataSet = []
grad = random.randint(0,100)
const = random.randint(0,100)
for i in range(0, 1000):
    DataSet.append([i, grad*i + const])

DataSet = torch.tensor(DataSet,dtype = torch.double, requires_grad = True)

#Declare a Linear Network
Net = LinearNetwork()
criterion = nn.MSELoss()
optimizer = optim.SGD(Net.parameters(), lr = 0.01)
print(DataSet)
#Train Model 
for i, data in enumerate(DataSet, 0):
    Input, Target = data
    optimizer.zero_grad()
    Output = Net(Input)
    loss = criterion(Output, Target)
    loss.backward()
    optimizer.step()

print("Gradient of the Function is : " + str(grad))
print("Constant Value of the Function is : " + str(const))
print("Learned Gradient and Constant : " + list(Net.parameters()))

Answer 1

您的代码中有两个错误，第一个与形状有关，第二个与

dtypes

有关。顺便提一句。请使用

snake_case

表示变量（例如

my_dataset

、

net

），使用

CamelCase

表示类，因为这是常见的 Python 约定。

形状错误

这个就在这里：

for i, data in enumerate(DataSet, 0):
    input, target = data
    optimizer.zero_grad()
    output = net(input)
    loss = criterion(output, target)
    loss.backward()
    optimizer.step()

当你打印

input.shape

时，你会得到

torch.Size([])

，这是一个

0d

张量。矩阵乘法需要

1d

张量，所以你应该

unsqueeze

它所以它有这个维度。将上面的

output = net(input)

更改为：

output = net(input.unsqueeze(dim=0))

dtype

错误

这里：

DataSet = torch.tensor(DataSet,dtype = torch.double, requires_grad = True)

您创建

torch.double

类型的张量，而您的神经网络（默认情况下）为

torch.float

类型。通常使用后者，因为它具有足够的数值精度并节省内存。因此，您应该这样做，而不是上面的：

DataSet = torch.tensor(DataSet,dtype = torch.float, requires_grad = True)

再次塑造

回到形状，神经网络应该在至少二维上运行：

(batch, features)

。在你的情况下

batch=1

和

features=1

，所以它应该再次被解压（我建议你使用批量尝试你的代码）。

Answer 2

我在下面遇到了同样的错误：

运行时错误：matmul 的两个参数都必须至少为 1D，但它们是 0D 和 2D

因为我尝试将 0D 和 2D 张量与 matmul() 或

@

相乘，如下所示。 *

matmul()

或

@

可以通过点乘或矩阵乘法来乘以1D或更多D张量：

import torch

tensor1 = torch.tensor(5) # 0D tensor
tensor2 = torch.tensor([[2, 7, 4]]) # 2D tensor

torch.matmul(tensor1, tensor2) # Error
tensor1 @ tensor2 # Error

所以，我将一维和二维张量与

matmul()

或

@

相乘，然后我可以得到如下所示的结果：

import torch

tensor1 = torch.tensor([5]) # 1D tensor
tensor2 = torch.tensor([[2, 7, 4]]) # 2D tensor

torch.matmul(tensor1, tensor2) # tensor([10, 35, 20])
tensor1 @ tensor2 # tensor([10, 35, 20])

或者，我将 0D 和 2D 张量与 mul() 或

*

相乘，然后可以得到如下所示的结果。 *

mul()

或

*

可以通过逐元素乘法将0D或更多D张量相乘：

import torch

tensor1 = torch.tensor(5) # 0D tensor
tensor2 = torch.tensor([[2, 7, 4]]) # 2D tensor

torch.mul(tensor1, tensor2) # tensor([[10, 35, 20]])
tensor1 * tensor2 # tensor([[10, 35, 20]])