代码之家 › 专栏 › 技术社区 › blue-sky

矢量编码的自动编码器

autoencoder pytorch

1

blue-sky · 技术社区 · 7 年前

这是我写的一个自动编码器,用于编码两个向量:

[1,2,3] & [1,2,3]

矢量在以下位置创建: features = torch.tensor(np.array([ [1,2,3],[1,2,3] ]))

这项工作符合以下准则:

%reset -f

epochs = 1000
from pylab import plt
plt.style.use('seaborn')
import torch.utils.data as data_utils
import torch
import torchvision
import torch.nn as nn
from torch.autograd import Variable

cuda = torch.cuda.is_available()
FloatTensor = torch.cuda.FloatTensor if cuda else torch.FloatTensor
import numpy as np
import pandas as pd
import datetime as dt


features = torch.tensor(np.array([ [1,2,3],[1,2,3] ]))

print(features)

batch = 2
data_loader = torch.utils.data.DataLoader(features, batch_size=2, shuffle=True)

encoder = nn.Sequential(nn.Linear(3,batch), nn.Sigmoid())
decoder = nn.Sequential(nn.Linear(batch,3), nn.Sigmoid())
autoencoder = nn.Sequential(encoder, decoder)

optimizer = torch.optim.Adam(params=autoencoder.parameters(), lr=0.001)

encoded_images = []
for i in range(epochs):
    for j, (images, _) in enumerate(data_loader):
    #     images = images.view(images.size(0), -1) 
        images = Variable(images).type(FloatTensor)
        optimizer.zero_grad()
        reconstructions = autoencoder(images)
        loss = torch.dist(images, reconstructions)
        loss.backward()
        optimizer.step()

        encoded_images.append(encoder(images))

features = torch.tensor(np.array([ [1,2,3],[1,2,3],[1,2,3] ]))

我收到错误消息:

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-223-3ca45519e975> in <module>
     32 encoded_images = []
     33 for i in range(epochs):
---> 34     for j, (images, _) in enumerate(data_loader):
     35     #     images = images.view(images.size(0), -1)
     36         images = Variable(images).type(FloatTensor)

ValueError: not enough values to unpack (expected 2, got 1)

我是否正确设置了数据加载器?

2 回复 | 直到 7 年前

1

MBT Nina Golyandina 7 年前

我不知道是什么 _ 正是指。

这是批量大小的数据加载器 2 和 2. 数据集中的培训示例:

features = torch.tensor(np.array([ [1,2,3],[1,2,3] ]))

#print(features)

data_loader = torch.utils.data.DataLoader(features, batch_size=2, shuffle=True)
for j, (images) in enumerate(data_loader):
    print(j, images)

0 tensor([[ 1,  2,  3],
        [ 1,  2,  3]])

所以在你的情况下,你把它分别拆了。把张量分成两部分 (images, _) :

t = torch.tensor([ [1,2,3],[1,2,3] ])
(images, _) = t
print('images:',images, '_:',_)
# prints: 
# images: tensor([ 1,  2,  3]) _: tensor([ 1,  2,  3])

3 数据集中的培训示例最后一批仅包含一

features = torch.tensor(np.array([ [1,2,3],[1,2,3],[1,2,3]]))

#print(features)

data_loader = torch.utils.data.DataLoader(features, batch_size=2, shuffle=True)
for j, (images) in enumerate(data_loader):
    print(j, images)

输出:

0 tensor([[ 1,  2,  3],
        [ 1,  2,  3]])
1 tensor([[ 1,  2,  3]])

此时会出现解包错误,因为无法拆分最后一批。但正如Shai所建议的,您没有使用任何标签,因此可能需要使用完全不同的设置。

但我希望这个例子有点帮助!

2

0

Shai 7 年前

您的数据集(数据加载器内部)仅返回 image 每件没有标签。当您迭代并期望每个项目 (image, _) 形象 _ 这是不可能的。这就是为什么会出现“没有足够的值来解包”错误