Expected tensor for argument #1 ‘indices’ to have scalar type Long;but got torch.IntTensor instead

Expected tensor for argument #1 ‘indices’ to have scalar type Long;but got torch.IntTensor instead

构建数据集代码

def data_gen(V, batch, nbatches):
  "Generate random data for a src-tgt copy task."
  for i in range(nbatches):
      data = torch.from_numpy(np.random.randint(1, V, size=(batch, 10)))#单句长度为10
      data[:, 0] = 1#第一列为1
      src = Variable(data, requires_grad=False)
      tgt = Variable(data, requires_grad=False)
      yield Batch(src, tgt, 0)

训练时报错:
在这里插入图片描述
分析:训练的批量样本数据输入值需要是long值的Tensor数据,而不是int值的Tensor数据.

解决(亲测有效):
1.把输入数据data和目标数据data的类型值都从int转换为long
1.可以加long()
source = Variable(data, requires_grad=False).long()
target = Variable(data, requires_grad=False).long()
2.也可以加torch.LongTensor
source = Variable(torch.LongTensor(data), requires_grad=False)
target = Variable(torch.LongTensor(data), requires_grad=False)

修改后代码:

def data_gen(V, batch, nbatches):
 "Generate random data for a src-tgt copy task."
 for i in range(nbatches):
     data = torch.from_numpy(np.random.randint(1, V, size=(batch, 10)))#单句长度为10
     data[:, 0] = 1#第一列为1
     src = Variable(data, requires_grad=False).long()
     tgt = Variable(data, requires_grad=False).long()
     yield Batch(src, tgt, 0)

运行成功!

参考来源:https://www.codeleading.com/article/66113440161/

### 回答1: 该错误提示表示在使用embedding函数时,第一个参数“indices”应该是longint类型的标量,但实际传入的是torch.cuda.floattensor类型的张量。需要将“indices”转换为longint类型的标量后再传入embedding函数。 ### 回答2: "expected tensor for argument"是PyTorch中的一个错误信息,通常是由于输入类型不正确或维度不匹配引起的。当我们想要对一个张量进行操作,但给定的参数不符合所要求的类型或维度时,就会发生这种错误。下面是一些可能导致该错误的常见原因: 1. 维度不匹配:在执行操作之前,我们需要确定输入张量的维度与该操作所期望的维度匹配。如果它们不匹配,就会导致这种错误。 2. 数据类型不匹配:每种操作的输入数据类型是不同的。例如,某些操作需要浮点数作为输入,而其他操作需要整数作为输入。如果数据类型不匹配,就会发生这种错误。 3. 没有提供足够的参数:有些操作需要传入多个参数,如果没有提供足够的参数,就会引发这种错误。 为了避免这种错误,我们需要仔细检查输入张量的维度和数据类型。我们还可以使用PyTorch提供的方法来调整输入数据,例如使用.view()方法来重新整形张量,或者使用.dtype()方法来确定张量的数据类型。如果在将数据输入PyTorch模型之前,我们可以先使用.data_processing()函数来对数据进行预处理,从而确保其格式正确。最重要的是要仔细阅读PyTorch文档,以了解每个函数的用法和输入要求。通过遵循这些最佳实践,我们可以最大程度地减少此类错误的发生。 ### 回答3: argument的期望张量是指该argument应该是什么类型和形状的张量。在机器学习和深度学习领域中,神经网络模型通常处理的是数值数据而不是文本。因此,模型输入的数据通常是张量类型。 在使用深度学习框架(如TensorFlow或PyTorch)时,我们通常需要明确指定每个变量或输入参数的期望张量类型和形状。这是因为神经网络模型需要在所有输入参数都满足期望张量的情况下才能正确地执行计算。 例如,如果我们想要训练一个图像分类模型,在输入数据被馈送到模型之前,我们需要将输入数据转换为指定形状的张量(例如,28x28x3)。如果我们的模型期望输入是一个三维张量(即,具有三个轴),我们就需要将所有输入数据都转换为这个形状的张量,并且确保在训练和测试模型时使用这种形状的张量。 另一方面,如果一个参数的期望张量类型为float32,但是我们传递一个int类型的参数,就会导致类型错误。因此,明确指定每个参数或变量的期望张量类型和形状对于确保模型在训练和测试时的正确执行非常重要。 总之,argument的期望张量是指我们需要明确指定每个参数或变量期望的张量类型和形状,以确保神经网络模型在训练和测试时正确执行。这是深度学习框架中非常重要的一个概念,需要细心、谨慎地管理。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值