第二天实验踩坑记录

今日第一坑:用iter(data_loader）来进行迭代时，每个epoch都需要重置迭代器，不然会报错Stopiteration（我是把iter()的申明放到了epoch循环外，导致报错）。

enumerate(data_loader)则是直接写在循环内的。

CNN做主干网络提取特征感觉训练效果不佳，平均误差在8ps，很差。

同时以2层RNN做主干网络进行实验，调整了网络结构，预测器减少一层线性层。

RNN的输入【batchsize, numcorner, featuredim】输出【batchsize, numcorner, hiddensize】。

batchnorm层主要作用对每个批次的输入都归一化至均值为0，方差为1的标准正态分布，保持输入的分布一致性，可以加速网络的收敛。BN在CNN中表现不错，但目前在RNN中引入BN的有几项工作，目前有些矛盾的结论。

维度变化技巧

x = x.view(-1, dim)  -1表示自适应大小

x = x[:, -1, :] 可以去掉第二维，例如【8,12,14】变为【8,14】

踩坑2：RuntimeError: view size is not compatible with input tensor‘s size and stride

出现这个原因主要就是因为view()需要Tensor中的元素地址是连续的，因为可能出现Tensor不连续的情况，修改为：在.view前加.contiguous（），使其变为连续就ok。

但不知道为何昨日并未出现这个报错。

踩坑3：做回归预测在最后一层输出层用了sigmod激活函数映射输出

回归预测与分类问题不同，分类问题需要在最后一层加激活函数映射至类别概率（0-1之间），而回归预测则不需要。(加了激活函数后，预测的延时会被映射至0-1之间，其分布与预测结果标签相差甚远)