RuntimeError: Тип ввода (torch.FloatTensor) и тип веса (torch.cuda.FloatTensor) должны совпадать


9

Я пытаюсь обучить следующий CNN следующим образом, но я продолжаю получать ту же ошибку относительно .cuda (), и я не уверен, как это исправить. Вот кусок моего кода до сих пор.

import matplotlib.pyplot as plt
import numpy as np
import torch
from torch import nn
from torch import optim
import torch.nn.functional as F
import torchvision
from torchvision import datasets, transforms, models
from torch.utils.data.sampler import SubsetRandomSampler


data_dir = "/home/ubuntu/ML2/ExamII/train2/"
valid_size = .2

# Normalize the test and train sets with torchvision
train_transforms = transforms.Compose([transforms.Resize(224),
                                           transforms.ToTensor(),
                                           ])

test_transforms = transforms.Compose([transforms.Resize(224),
                                          transforms.ToTensor(),
                                          ])

# ImageFolder class to load the train and test images
train_data = datasets.ImageFolder(data_dir, transform=train_transforms)
test_data = datasets.ImageFolder(data_dir, transform=test_transforms)


# Number of train images
num_train = len(train_data)
indices = list(range(num_train))
# Split = 20% of train images
split = int(np.floor(valid_size * num_train))
# Shuffle indices of train images
np.random.shuffle(indices)
# Subset indices for test and train
train_idx, test_idx = indices[split:], indices[:split]
# Samples elements randomly from a given list of indices
train_sampler = SubsetRandomSampler(train_idx)
test_sampler = SubsetRandomSampler(test_idx)
# Batch and load the images
trainloader = torch.utils.data.DataLoader(train_data, sampler=train_sampler, batch_size=1)
testloader = torch.utils.data.DataLoader(test_data, sampler=test_sampler, batch_size=1)


#print(trainloader.dataset.classes)

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model = models.resnet50(pretrained=True)

model.fc = nn.Sequential(nn.Linear(2048, 512),
                                 nn.ReLU(),
                                 nn.Dropout(0.2),
                                 nn.Linear(512, 10),
                                 nn.LogSigmoid())
                                 # nn.LogSoftmax(dim=1))
# criterion = nn.NLLLoss()
criterion = nn.BCELoss()
optimizer = optim.Adam(model.fc.parameters(), lr=0.003)
model.to(device)

#Train the network
for epoch in range(2):  # loop over the dataset multiple times

    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        # get the inputs; data is a list of [inputs, labels]
        inputs, labels = data

        # zero the parameter gradients
        optimizer.zero_grad()

        # forward + backward + optimize
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        # print statistics
        running_loss += loss.item()
        if i % 2000 == 1999:    # print every 2000 mini-batches
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 2000))
            running_loss = 0.0

print('Finished Training')

Тем не менее, я продолжаю получать эту ошибку в консоли:

RuntimeError: Тип ввода (torch.FloatTensor) и тип веса (torch.cuda.FloatTensor) должны совпадать`

Есть мысли о том, как это исправить? Я читал, что, возможно, модель не была вставлена ​​в мой графический процессор, но не уверен, как это исправить. Спасибо!

Ответы:


11

Вы получаете эту ошибку, потому что ваша модель находится на GPU, а ваши данные на CPU. Итак, вам нужно отправить входные тензоры в CUDA.

inputs, labels = data
inputs, labels = inputs.cuda(), labels.cuda() # add this line

Или вот так, чтобы оставаться в согласии с остальной частью вашего кода:

inputs, labels = inputs.to(device), labels.to(device)

Это же сообщение об ошибке появится, если ваши данные находятся в CUDA, а ваша модель - нет. В этом случае вам необходимо отправить свою модель в CUDA.

model = MyModel()

if torch.cuda.is_available():
    model.cuda()
Используя наш сайт, вы подтверждаете, что прочитали и поняли нашу Политику в отношении файлов cookie и Политику конфиденциальности.
Licensed under cc by-sa 3.0 with attribution required.