Слишком много значений для распаковки (ожидается 2) ошибка возникает при обучении CNN для регрессии в Pytorch

Question

в приведенном ниже разделе кода создается ошибка.

for epoch in range(3): # 3 full passes over the data
    for data in trainset:  # `data` is a batch of data
        X, y = data  # X is the batch of features, y is the batch of targets.
        net.zero_grad()  # sets gradients to 0 before loss calc. You will do this likely every step.
        output = net(X.view(-1,11))  # pass in the reshaped batch (recall they are 28x28 atm)
        loss = F.nll_loss(output, y)  # calc and grab the loss value
        loss.backward()  # apply this loss backwards thru the network's parameters
        optimizer.step()  # attempt to optimize weights to account for loss/gradients
    print(loss)  # print loss. We hope loss (a measure of wrong-ness) declines!

В частности, эта строка создает ошибку: X, y = data # X - набор функций, y - набор целей.

, и он генерирует эту ошибку:

ValueError                                Traceback (most recent call last)
<ipython-input-4-3e67ca89b0ac> in <module>
      1 for epoch in range(3): # 3 full passes over the data
      2     for data in trainset:  # `data` is a batch of data
----> 3         X, y = data  # X is the batch of features, y is the batch of targets.
      4         net.zero_grad()  # sets gradients to 0 before loss calc. You will do this likely every step.
      5         output = net(X.view(-1,11))  # pass in the reshaped batch (recall they are 28x28 atm)

ValueError: too many values to unpack (expected 2)

Я уверен, как исправить ошибку.

Примечание: я зачисляю свой код на sentdex, я только пытаюсь изменить его для использования в моем наборе данных. Мой репозиторий с полным кодом: https://github.com/itisyeetimetoday/pytorch_reggression 1

Answer 1

В вашем коде есть несколько проблем.

1. В вашем поезде есть только данные без цели. И вы упомянули, что nn_outputs.npy является целью. Таким образом, ваш загрузчик данных должен быть определен следующим образом:

data_np = np.load('nn_inputs.npy')

target_np = np.load('nn_outputs.npy')

train_ds = utils.TensorDataset(torch.tensor(data_np, dtype=torch.float32).view(-1,11), torch.tensor(target_np, dtype=torch.float32).view(-1,11))

trainset = torch.utils.data.DataLoader(train_ds, batch_size=10, shuffle=True)

Поскольку это проблема регрессии, я бы рекомендовал использовать F.mse_loss.

for epoch in range(3): 
    for data in trainset:  
        X, y = data  
        net.zero_grad()  
        output = net(X)  
        loss = F.mse_loss(output, y)  
        loss.backward()  
        optimizer.step()  
    print(loss)