xgboost4j报错：Check failed:preds.Size()==info.labels_.Size()

最新推荐文章于 2023-08-14 23:23:10 发布
最新推荐文章于 2023-08-14 23:23:10 发布
阅读量2k 收藏 2
点赞数 4
分类专栏： 大数据 文章标签： spark xgboost 算法 大数据
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_36835255/article/details/119241045
版权
在使用xgboost4j-spark-0.90版本时遇到错误：Check failed: preds.Size()==info.labels_.Size()。错误源于配置参数设置。当objective设定为'binary:logistic'时，无需设置'num_class'。若为多分类问题，'num_class'则必须指定。博主建议使用最新版xgboost4j以避免类似问题。
摘要由CSDN通过智能技术生成

使用的xgboost4j的版本是：xgboost4j-spark-0.90。
运行过程中报出以下错误：
Check failed:preds.Size()==info.labels_.Size()
在这里插入图片描述

报错发生原因不清楚。
解决方案是：
xgboost的配置参数里，如果指定了
"objective" -> "binary:logistic"
则 "num_class" -> 2无须设置，就是把这个参数注释掉。
这样子错误就解决了。
但如果"objective"设置了多分类，则"num_class"这个参数必须设置。

感觉xgboost4j有很多的坑，大家尽量用最新版的。

mxnet src/resource.cc:443: Check failed: e == CUDNN_STATUS_SUCCESS (8 vs. 0) : cuDNN: CUDNN_STATUS_
Hello Word!
07-28 1297
报错： Traceback (most recent call last): File "train_0723.py", line 434, in <module> main() File "train_0723.py", line 430, in main train_net(args) File "train_0723.py", line 424, in train_net epoch_end_callback=epoch_cb) File "/hom
mxnet src/imperative/./imperative_utils.h:72: Check failed: inputs[i]-＞ctx().dev_mask() == ctx.dev_m
Hello Word!
12-09 325
mxnet 1.6 自定义OP （计算metric）训练报错： src/imperative/./imperative_utils.h:72: Check failed: inputs[i]->ctx().dev_mask() == ctx.dev_mask() (1 vs. 2) : Operator broadcast_add require all inputs live on the same context. But the first argument is on gpu(0) while
rank_metric: Check failed: preds.Size() == info.labels_.Size() label size predict size not match
Dream Fly Together
01-29 5056
问题场景： python xgboost进行多分类问题时，会遇到上述问题； 问题原因： 是多分类时使用的eval_metric不能是auc 解决办法： 需要更改为mlogloss xgboost参数配置： params = { # General Parameters 'booster': 'gbtree', 'nthread...
【工程实践】解决Xgboost做多分类任务出现Check failed: preds.Size() == info.labels.Size()错误
Dong_ZH的博客
03-28 550
因为使用Xgboost做多分类任务，num_class>2，需要设置"objective"为多分类，并且需要设置"num_class"参数。多分类时使用的eval_metric不能是auc，需要将auc更改为mlogloss。在使用Xgboost做多分类任务时，出现Check failed: preds.Size() == info.labels.Size()的错误。将参数进行更改和添加即可。
Check failed: preds.Size() == info.labels_.Size() (2697 vs. 899)； raise XGBoostError(py_str(_LIB.XGB
m0_48433835的博客
01-02 664
解决方法 参数设置里 如果是二分类 'num_class':2, 非二分类视具体情况而定
xgboost预测报错： Check failed: offset.back() == value.size()
u012067933的专栏
05-27 1041
报错信息 1. xgboost.core.XGBoostError: b'[15:53:47] /workspace/dmlc-core/src/data/./row_block.h:177: Check failed: offset.back() == value.size() 解决方法 需要将特征名转换为索引号：gender——>1,age——>2 2. expected f532, f535, f534, f533, f536 in input data 解决方法 ..
[Caffe]:关于Check failed: shape[i] >= 0 (-2 vs. 0)错误
cham_3
11-21 6822
错误发现及分析当使用caffe训练网络的时候，出现如题错误，我们可以分析下日志，日志如下： 我们可以看出，在错误发生前生成的Top shape:64 2048 4 4 。也就是feature size是4 × 4的。然后再看看pool5对应的pooling layer的设置： 发现pooling的核大小被设置成7，这就是问题的所在了。解决方案 改变输入图像的大小，可以使feature m
LLM-项目详解（一）：Chinese-LLaMA-Alpaca【run_clm_pt_with_peft.py文件】
最新发布
u013250861的博客
08-14 322
【代码】LLM-项目详解（一）：Chinese-LLaMA-Alpaca【run_clm_pt_with_peft.py文件】
XGBoost (5) C++ 命令行训练源码分析
isometric的博客
02-21 2034
回顾与本文目标 前一篇文章（第 4 篇）中，我们在命令行接口模式下运行 XGBoost 成功。在第 3 篇中，我们在 Python 接口下运行了 XGBoost，并且分析了其中的 PredictRaw 函数。但这里的代码读得有点乱。本文从头开始，一个一个函数解释代码是如何运行的。 起点 main() @ src/cli_main.cc int main(int argc, char *argv[...
caffe拷贝权重之Check failed: param_size <= num_param_blobs (2 vs. 1)
无奈的小心酸的博客
11-28 2274
caffe程序时候 做了一个拷贝权重的操作，报错 具体为： F1128 17:26:07.834883  3054 net.cpp:141] Check failed: param_size 我的convolution1的设置为 layer {   name: "Convolution1"   type: "Convolution"   bottom: "elt-da
Caffe在转化图片到levelDB中遇到问题Check failed: data.size() == data_size
Alan317的专栏
07-14 9254
在把图片转化到levelDB中遇到了Check failed: data.size() == data_size，
[技术杂谈][原创]caffe ssd报类似错Check failed height == datum_height解决方法
FL1623863129的博客
06-02 427
网上基本没有这个报错的解决方法，最终被我找出来了，原因生成lmdb问题，在生成lmdb时候，要把编码打开 --encode_type=jpg --encoded=True，一开始我设置为空,encoded=False就会报类似于Check failed: height <= datum_height或者 Check failed: height == datum_height或者Check failed: height >=datum_height的错误，如果不想编码也可以，进过实验证明，.
caffe源码解读(4)－concate_layer.cpp以及slice_layer.cpp
冬后晚晴的博客
01-28 1476
一.Concate作用：实现多个输入数据的拼接 输入：x1,x2,…,xk 输出:y x1: N*C*H*W x2: N*C*H*W xk: N*C*H*W y: kN*C*H*W(concate_dim=0) y: N*kC*H*W(concate_dim=1) 参数：两个作用相同　①axis　②concate_dim(1)caffe.proto层参数定义message Conc
[caffe问题记录]Check failed: target_blobs.size() == source_layer.blobs_size() (2 vs. 1)
hnzjuer的博客
04-23 1143
caffe问题记录 最近研究模型压缩领域，拿了训练好的ResNet-50网络caffemodel进行压缩。 结果报错： Check failed: target_blobs.size() == source_layer.blobs_size() (2 vs. 1) Incompatible number of blobs for layer res2a_branch1 一直在查看用于压缩的pr...
The CC version check failed下出现Failed CC version check. Bailing out! 解决方案
qq_34784354的博客
08-03 2231
这个问题是由于gcc版本不兼容导致的。 先使用cat /proc/version查看目前系统版本下gcc的默认版本 再使用gcc --version查看gcc版本 可以发现目前使用的gcc版本和系统需要的版本是不一致的，这时候使用ls /usr/bin/gcc*查看系统中目前有的gcc版本可以发现是有7版本的gcc的，使用update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-7 100，修改优先级，然后再使用gcc --version查看版
使用demo.py测试MobileNet-SSD报错：Check failed: target_blobs.size() == source_layer.blobs_size() (2 vs. 1)
random_repick的专栏
04-29 262
测试使用的网络配置文件和训练时的不一样，因为作者提供的就不一样 把MobileNetSSD_train.prototxt复制一份，根据MobileNetSSD_deploy.prototxt把输入和输出改了就行 最终内容如下 name: "MobileNet-SSD" input: "data" input_shape { dim: 1 dim: 3 dim: 300 dim: 300 } layer { name: "conv0" type: "Convolution" b.
【caffe】Layer解读之：Slice
yuanCruise
08-10 1407
Layer type: Slice 头文件位置：/include/caffe/layers/slice_layer.hpp CPU 执行源文件位置: ./src/caffe/layers/slice_layer.cpp CUDA GPU 执行源文件位置: ./src/caffe/layers/slice_layer.cu Slice层的功能：根据给定的参数对输入层进行划分（以通道为单位）。 ...
size not match(label size和 predict size )
lusic01的专栏
12-07 5125
XGBoostError: b'[19:12:58] src/metric/rank_metric.cc:89: Check failed: (preds.size()) == (info.labels.size()) label size predict size not match'   I am training a XGBoostClassifier for my training se...
correct_preds +=torch.sum(preds==labels.data) total_preds+=len(labels) accuracy=correct_preds.double()/total_preds 检查并优化代码
06-09
这段代码的作用是计算模型的准确率。具体来说，correct_preds记录了模型预测正确的样本数，total_preds记录了总样本数，accuracy则是准确率。 这段代码的实现比较简单，也比较高效。但是有一些可以改进的地方。具体来说： 1. 可以使用PyTorch内置的函数来简化代码。例如，可以使用torch.eq()函数来代替"=="操作符，这样可以提高代码的可读性和效率。 2. 可以使用PyTorch的数据并行功能来加速模型的训练。数据并行可以将单个模型的训练分布到多个GPU上并行计算，从而加快模型训练的速度。 3. 可以使用优化器来调整模型的学习率和其他参数，以提高模型的准确性和收敛速度。常见的优化器包括Adam、SGD等。 综上所述，下面是优化后的代码： ```python correct_preds = torch.sum(torch.eq(preds, labels.data)) total_preds = len(labels) accuracy = correct_preds.double() / total_preds ``` 当然，优化的具体方式还需要根据实际情况进行选择。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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