Pytorch神经网络-元组/列表如何喂到神经网络中

📚博客主页：knighthood2001

✨公众号：认知up吧 （目前正在带领大家一起提升认知，感兴趣可以来围观一下）

🎃知识星球：【认知up吧|成长|副业】介绍

❤️感谢大家点赞👍🏻收藏⭐评论✍🏻，您的三连就是我持续更新的动力❤️

🙏笔者水平有限，欢迎各位大佬指点，相互学习进步！

这篇文章适用于初学者，因为我就是这么过来的，最开始连网络中的参数为什么这么设置的都不知道。但是本文没有讲太多这方面的知识。

首先需要说明的是：

在PyTorch中，神经网络模型的输入通常需要是张量（tensor）类型。虽然你可以将元组作为输入传递给神经网络模型，但实际上在模型内部处理时，最终还是需要将数据转换为张量。

PyTorch的神经网络层（如nn.Linear、nn.Conv2d等）的输入和输出都是张量。因此，在实际使用中，你需要确保将任何非张量类型的数据（如列表、元组等）转换为张量，以便能够在神经网络中进行计算。

经过我的一点点测试，发现好像pytorch中好像只能输入tensor格式的数据，而不能是tuple或者list数据类型。

import torch
import torch.nn as nn
import torch.nn.functional as F
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.f1 = nn.Linear(2, 32)
        self.f2 = nn.Linear(32, 4)

    def forward(self, x):
        x = self.f1(x)
        x = F.relu(x)
        action = self.f2(x)
        return action

这里我定义了两层网络，简单实现一个神经网络。
接下来我定义了一些数据类型，比如a是元组，c是列表，b和d都是经过转换成tensor张量格式的数据。

net = Net()

a = (4, 4)
b = torch.FloatTensor(a)

print(b)
print(net(b))

c = [4, 4]
d = torch.FloatTensor(c)
print(d)
print(net(d))

可以发现他们经过转换后长得一样了，然后才能把他们喂到神经网络中，否则就会出现上面的报错。

从中我们可以看出来，b和d都是包含两个数据的一维张量。这里好像是因为PyTorch 在执行 net(b) 时会自动将 1 维的输入张量 b 视作大小为 (1, 2) 的 batch，并将其送入神经网络进行前向传播计算。

所以可能将其变为二维张量输入网络比较好（个人观点），如下。

如果你想要将 b 转换为二维张量，可以使用 b.view(1, -1) 方法，这样 b 就会变成一个包含一个行和两列的二维张量。同理，d也是这样处理。这里的-1表示的就是，系统会根据总的数据数以及其他维度需要的数量，然后计算出-1所在的维度的数量。

m = b.view(1, -1)
print(m)
print(net(m))

发现结果一样，就是反向传播的梯度下降函数不同。

我查询了一下：

在 PyTorch 中，ViewBackward0 和 AddmmBackward0 是两种不同类型的 Autograd
Function，用于反向传播计算梯度。

1. ViewBackward0:

   • ViewBackward0 是View 操作的反向传播函数。View 操作用于改变张量的形状，但不改变张量的数据内容。ViewBackward0 的作用是将梯度传播回 View
     操作之前的张量，以便在反向传播过程中正确更新梯度。
   • ViewBackward0 的主要功能是处理从 View 操作反向传播回来的梯度，确保梯度在形状变换后能够正确传播并更新。

2. AddmmBackward0:

   • AddmmBackward0 是 addmm 操作（矩阵相加和矩阵乘法）的反向传播函数。addmm 函数用于计算矩阵相加和矩阵乘法的结果。AddmmBackward0 的作用是计算 addmm 操作对输入张量的梯度。
   • AddmmBackward0 主要负责处理 addmm 操作的反向传播过程，根据输出的梯度计算输入张量的梯度，并将其传播到上游的节点。

总的来说，ViewBackward0 用于处理 View 操作的反向传播，而 AddmmBackward0 用于处理 addmm
操作的反向传播。它们都是 Autograd Function 的一部分，负责计算和传播梯度，以支持 PyTorch 的自动微分功能。

本文的全部代码如下：

import torch
import torch.nn as nn
import torch.nn.functional as F
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.f1 = nn.Linear(2, 32)
        self.f2 = nn.Linear(32, 4)

    def forward(self, x):
        x = self.f1(x)
        x = F.relu(x)
        action = self.f2(x)
        return action

net = Net()

a = (4, 4)
b = torch.FloatTensor(a)

print(b)
print(net(b))

m = b.view(1, -1)
print(m)
print(net(m))

c = [4, 4]
d = torch.FloatTensor(c)
print(d)
print(net(d))