问题标签 [skorch]

我试图在使用 skorch 时在 PyTorch 中拟合模型。我的问题是，我的模型使用 LSTM 层，它需要 3d 输入，但我不知道如何正确传递输入。

将 2d 数组传递给fit()我从 PyTorch 收到预期 3d 输入的错误。如果传递一个 3d 数组，我会从fit()长度不一致的方法中得到错误（这对我来说都很有意义）。

下面的示例代码：

这是调用时的错误net.fit(X=inputArr2d, y=targetArr)：

这是调用时的错误net.fit(X=inputArr3d, y=targetArr)：

我的 skorch 神经网络 GridsearchCV 代码正在运行，但它似乎不在 GPU 上，所以速度很慢。

任何帮助表示赞赏。

每个 epoch 需要 13 秒。我知道 pytorch 在 GPU 上运行得更快。

代码：

我正在尝试使用 skorch 类在分类器上执行 GridSearch。我尝试使用 vanillaNeuralNetClassifier对象运行，但我还没有找到一种方法让 Adam 优化器只传递可训练的权重（我正在使用预训练的嵌入，我想让它们保持冻结状态）。如果模块被初始化，然后通过optimizer__params选项传递这些权重是可行的，但是模块需要一个未初始化的模型。有没有解决的办法？

上面的代码有效。但是，将 batch_size 设置为 64 时，我必须在每个批次上运行指定数量的 epoch 的模型！这不是我正在寻求的行为。如果有人能提出更好的方法来做到这一点，我将不胜感激。

我的另一个问题是子类化skorch.NeuralNet。我遇到了一个类似的问题：想办法只将可训练的权重传递给 Adam 优化器。下面的代码是我到目前为止所得到的。

初始化类给出了错误：

我想基于 Skorch 的 Dataset 类创建自己的数据集类，因为我想区分分类列和连续列。这些分类列将通过模型中的嵌入层。结果很奇怪，因为它像这样显示 NAN：

你能帮我修一下吗？我正在使用来自这个 kaggle 的数据： 这里

我已经扩展nn.Module以实现我的网络，其转发功能是这样的......

我像这样初始化了一个skorch NeuralNetClassifier，

现在，如果我调用net.fit(X, y, length=X_len)它会引发错误

根据文档 fit 函数需要一个fit_params字典，

并且源代码总是将我的参数发送到train_split显然我的关键字参数不会被识别的地方。

有没有办法将参数传递给我的转发函数？

我想使用 skorch 在 Pytorch 中应用交叉验证，所以我准备了我的模型和我的 tensorDataset，它返回（图像、标题和标题长度），所以它有 X 和 Y，所以我不能在方法中设置 Y

但是当我尝试时出现错误：

ValueError：分层 CV 需要显式传递合适的 y

这是我的代码的一部分：

我是 pytorch 的新手。我正在尝试进行交叉验证，并找到了 skorch 库，它允许用户将 sklearn 函数与 Torch 模型一起使用。所以，我定义了一个神经网络类：

到目前为止一切都很好，该函数返回可靠的结果，没有任何错误。当我尝试使用 GridSearchCV 函数时出现问题：

我收到以下错误：

怎么了？

我试图通过翻译一个简单的 pytorch 模型来学习 skorch，该模型预测一组 MNIST 多位图片中包含的 2 位数字。这些图片包含 2 个重叠的数字，它们是输出标签 ( y)。我收到以下错误：

ValueError: Stratified CV requires explicitely passing a suitable y

我遵循“MNIST with SciKit-Learn and skorch”笔记本，并通过创建自定义get_loss函数应用了“来自转发的多个返回值”中概述的多个输出修复。

数据维度是：

• X：(40000, 1, 4, 28)
• 是：(40000, 2)

代码：

1. 我需要修改y的格式吗？
2. 我是否需要构建额外的自定义函数（预测）？
3. 还有其他建议吗？

我正在使用神经网络进行回归。对于 NN 来说，这应该是一项简单的任务，我有 10 个功能和 1 个输出要预测。我在项目中使用 pytorch，但我的模型学得不好。损失从一个非常高的值（40000）开始，然后在前 5-10 个时期之后，损失迅速下降到 6000-7000，然后不管我做什么，它都卡在那里。我什至尝试更改为 skorch 而不是 pytorch，以便我可以使用交叉验证功能，但这也无济于事。我尝试了不同的优化器并向网络添加了层和神经元，但这并没有帮助，它停留在 6000，这是一个非常高的损失值。我在这里做回归，我有 10 个特征，我试图预测一个连续值。这应该很容易做到，这就是为什么它让我更加困惑。

这是我的网络：我在这里尝试了从制作更复杂的架构（例如添加层和单元到批量标准化、更改激活等）的所有可能性。没有任何效果

这是我的设置：使用 skorch 比 pytorch 更容易。在这里，我还监控 R2 指标，并将 RMSE 作为自定义指标来监控模型的性能。我还为 Adam 尝试了 amsgrad，但这并没有帮助。

我还将输入值标准化。

我的输入具有以下形状：

输出的形状是：

我使用 128 作为我的 Batch_size，但我也尝试了其他值，如 32、64、512 甚至 1024。虽然标准化输出不是必需的，但我也尝试过，当我预测值时它不起作用，损失很高. 请有人帮助我，我将不胜感激每一个有用的建议。我还将添加我的训练和验证损失以及 epoch 上的指标的屏幕截图，以可视化损失在前 5 个 epoch 中是如何减少的，​​然后它永远保持在 6000 的值，这是一个非常高的损失值。

我刚刚使用 Skorch 创建了一个神经网络来检测图片上的飞机，并使用形状为 的火车数据集对其进行了训练(40000, 64, 64, 3)。

然后我用(15000, 64, 64, 3).

现在我需要在 512*512 的图片上进行测试，所以我有了一个新的(30, 512, 512, 3).
所以我采用了一个滑动窗口代码，它允许我将图片分成 64*64 部分。

现在我希望能够预测每个 64*64 图像是否包含一架飞机，但我不知道该怎么做，因为net.predict()将数据集作为参数（arg : dim 4）