почему моя нейронная сеть работает на mnist, но не может настраивать данные, такие как mnist

Question

это мой код, он может корректно работать с MNIST, но не может работать с моими данными, такими как MNIST.

import torch as pt
import torchvision as ptv
import numpy as np
import scipy.io as sio
train_set = ptv.datasets.MNIST("../../pytorch_database/mnist/train",train=True,transform=ptv.transforms.ToTensor(),download=True)
test_set = ptv.datasets.MNIST("../../pytorch_database/mnist/test",train=False,transform=ptv.transforms.ToTensor(),download=True)


train_dataset = pt.utils.data.DataLoader(train_set,batch_size=100)
test_dataset = pt.utils.data.DataLoader(test_set,batch_size=100)


class SBPEstimateDataset():

    def __init__(self):
        data = sio.loadmat("D:/demo_SBPFea1.mat")
        self.fea = data['fea']
        self.sbp = data['sbp']
        # self.sbp = np.array(data['sbp']).T
        # print(np.array(data['sbp']).T)
        # print(self.sbp)
    def __len__(self):
        return len(self.sbp)

    def __getitem__(self, idx):
        fea = pt.FloatTensor(self.fea[idx])
        # fea = self.fea[idx]
        fea=fea.reshape(1,6,1)
        # sbp = pt.LongTensor(self.sbp[idx])
        sbp=int(self.sbp[idx])
        # sbp = self.sbp[idx]
        # print(sbp[0,idx])
        return fea,sbp

dataset=SBPEstimateDataset()
print(train_set[1])
print(dataset[1])
# (a1,b1)=train_set[0]
# print(a1.shape)
# (a2,b2)=dataset[0]
# a2=a2.view(-1,6,1)
# print(a2.shape)
# a2=a2.view(-1,6*1)
# # print(a2.reshape(1,6).shape)
# print(a2.shape)


t_dataset=pt.utils.data.DataLoader(dataset,batch_size=50,shuffle=True)



class MLP(pt.nn.Module):
    def __init__(self):
        super(MLP,self).__init__()
        self.fc1 = pt.nn.Linear(6,7)
        self.fc2 = pt.nn.Linear(7,8)
        self.fc3 = pt.nn.Linear(8,9)



    def forward(self, din):
        din = din.view(-1,1*6)
        dout = pt.nn.functional.relu(self.fc1(din))
        dout = pt.nn.functional.relu(self.fc2(dout))
        return pt.nn.functional.softmax(self.fc3(dout),dim=1)

#on MNIST
# class MLP(pt.nn.Module):
#     def __init__(self):
#         super(MLP, self).__init__()
#         self.fc1 = pt.nn.Linear(784, 512)
#         self.fc2 = pt.nn.Linear(512, 128)
#         self.fc3 = pt.nn.Linear(128, 10)
# 
#     def forward(self, din):
#         din = din.view(-1, 28 * 28)
#         dout = pt.nn.functional.relu(self.fc1(din))
#         dout = pt.nn.functional.relu(self.fc2(dout))
#         return pt.nn.functional.softmax(self.fc3(dout))





model = MLP().cuda()
print(model)

# loss func and optim
optimizer = pt.optim.SGD(model.parameters(),lr=0.01,momentum=0.9)
lossfunc = pt.nn.CrossEntropyLoss().cuda()



# if(input()!=None):
for x in range(10):
    for i, data in enumerate(t_dataset):

#on MNIST
    # for i, data in enumerate(train_dataset):
        optimizer.zero_grad()


        (inputs, labels) = data
        inputs = pt.autograd.Variable(inputs).cuda()
        labels = pt.autograd.Variable(labels).cuda()

        outputs = model(inputs)

        loss = lossfunc(outputs, labels)
        loss.backward()

        optimizer.step()

        if x==5:
            print("in:")
            # print(inputs[0])
            print(labels[0])
            print("out:")

мой формат данных в тензоре

(tensor([[[146.8442],
        [146.8442],
        [145.2633],
        [142.1075],
        [135.7899],
        [126.3164]]]), 0)      

MNISTформат в тензорном

(tensor([[[0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000],
         ...
         [0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.2627, 0.8196, 0.9882, 0.9882, 0.2196, 0.0235,
          0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000],
         [0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.1137, 0.7098, 0.9882, 0.8510, 0.3294, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000],
         [0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.9922, 0.9882, 0.9882, 0.3294, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000],
         [0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0510,
          0.7490, 1.0000, 0.8431, 0.1216, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000],
         [0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.6039,
          0.9882, 0.9922, 0.4745, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000],
        ...
         [0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.2235, 0.9882,
          0.9882, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000]
         ]
        ]), 7)

Я использую MATLAB для определения файла с 1541 * 6 'fea' и 1541 * 1 'sbp'. Они сохраняются в формате 'single' в 'D: /demo_SBPFea1.mat».Это работает, но результат неправильный.

MY:
    in:
    tensor(7, device='cuda:0')
    out:
    tensor([0.0068, 0.4190, 0.0369, 0.1688, 0.0535, 0.0957, 0.0971, 0.0516, 0.0707],
           device='cuda:0', grad_fn=<SelectBackward>)

, если я изменю модель нейронной сети.Он корректно работает на MNIST.

print 

on MNIST:
    in:
    tensor(3, device='cuda:0')
    out:
    tensor([3.0662e-08, 7.8311e-09, 1.6701e-06, 9.9996e-01, 1.3490e-10, 7.4925e-09,
            1.7589e-10, 7.7624e-12, 3.9829e-05, 2.4372e-12], device='cuda:0',
           grad_fn=<SelectBackward>)