问题一:
RuntimeError: Can't call numpy() on Tensor that requires grad. Use tensor.detach().numpy() instead.
这个错误是因为你在尝试把一个张量和一个numpy数组放在一起进行运算。两个数据类型需要一致才能进行操作。可以像提示的那样,用detach().numpy()来对运算数据先进行类型转换,也可以先把运算搞定以后,直接对结果进行类型转换。
问题二:
runtimeerror: expected scalar type double but found float
这个错误是因为你在训练神经网络时,网络中的数据类型不一致导致的。
1、如果方便的话,考虑把float转换成double。在python中,使用astype()可以变为指定类型的数据,double就是float32
2、也可以在进入训练循环之前运行如下代码:
net = net.float()
这句话将会把你的模型参数转换为浮点类型。如果想用double类型,就是net.double()
然后在训练循环中:
z = net(x.float())
问题三:
runtimeerror: function 'mselossbackward0' returned nan values in its 0th output.
这个问题的原因是因为网络的损失值可能为0,可以通过以下方式来解决:
1、在网络中加入一个极小的偏置。
2、适当减小学习率。
3、损失函数的定义存在问题。
4、尝试减小网络迭代的次数。
这里仅给出加入高斯白噪声的函数,其他内容就不给出咯。
# 定义高斯白噪声函数
def generate_gaussian_white_noise(self, length, mean=0, std_dev=1):
bias = 1e-6 # 防止产生0输出
noise = np.random.normal(mean, std_dev, length) + bias
noise = noise.astype(np.float32) # 使用astype()可以变为指定类型的数据,double就是float32
noise = torch.tensor(noise, requires_grad=True)
return noise