matlab损失函数出现nan,为什么我的CNN在使用MSE损失函数时给出的损失结果是nan

我有一个CNN,我用它来检测面部关键点。我可以画出地面的真实点和预测的关键点显示。然而,它们聚集在图像的中心,在训练期间或训练后不会移动。在

我用的是nll\u loss和SGD优化器。通过这个,我得到了预期的损失值,比如0.00364755。我读到MSE是回归问题的一个很好的选择,我把损失函数改为MSE,现在我得到的所有训练都是nan作为我的损失。我已经系统地改变了参数,例如lr从0.1-0.0000001,动量0.1-0.9,批量大小为1,16,32,64,128

下面是一些代码。一如既往的感谢您的帮助,谢谢您的关注。在criterion = nn.MSELoss()

def train(args, model, device, train_loader, criterion, optimizer,

epoch):

running_loss = 0.0

total_train_loss = 0.0

model.train()

for batch_idx, batch in enumerate(train_loader):

data = batch['image']

target = batch['key_points']

target = target.view(target.size(0), -1)

data, target = data.to(device), target.to(device)

target = target.type(torch.cuda.FloatTensor)

data = data.type(torch.cu

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
CNN(卷积神经网络)是一种常用于图像识别和计算机视觉任务的深度学习模型。PyTorch是一个流行的开源深度学习框架,提供了丰富的工具和接口来构建和训练神经网络模型,包括CNN。 要使用PyTorch进行CNN预测,你需要以下步骤: 1. 准备数据:收集和准备用于训练和测试的图像数据集。这些数据集应该包含图像样本以及它们对应的标签或类别。 2. 构建CNN模型:在PyTorch中,你可以使用`torch.nn`模块来构建CNN模型。通过定义卷积层、池化层和全连接层等组件,你可以创建一个适合你任务的CNN模型结构。 3. 定义损失函数:选择适当的损失函数来度量模型预测结果与真实标签之间的差异。对于分类任务,常用的损失函数包括交叉熵损失函数(CrossEntropyLoss)。 4. 选择优化器:选择合适的优化器来更新模型参数以最小化损失函数。常见的优化器包括随机梯度下降(SGD)和Adam。 5. 训练模型:使用训练数据集来训练模型。通过迭代多个批次(batches)的数据样本,使用前向传播计算损失并反向传播更新模型参数。 6. 测试模型:使用测试数据集来评估模型的性能。通过将测试数据输入到训练好的模型中,可以得到模型的预测结果,并与真实标签进行比较。 7. 进行预测:对于新的未知图像,将其输入到已训练好的CNN模型中,可以得到该图像的预测结果。 需要注意的是,以上步骤只是一个大致的工作流程,具体实现可能还需要根据具体任务和数据集进行调整和优化。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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