转换张量形状时遇到报错

Terence888

1. pre = torch.nn.functional.softmax(torch.tensor(np.array(pre_valid).reshape(-1,2),dtype=torch.float32), dim=-1)
   
2. result = np.argmax(pre,axis=1)

复制代码

代码

1. ---------------------------------------------------------------------------
   
2. ValueError                                Traceback (most recent call last)
   
3. Cell In[90], line 1
   
4. ----> 1 pre = torch.nn.functional.softmax(torch.tensor(np.array(pre_valid).reshape(-1),dtype=torch.float32), dim=-1)
   
5.       2 result = np.argmax(pre,axis=1)
   
6. 
   
7. ValueError: setting an array element with a sequence. The requested array has an inhomogeneous shape after 1 dimensions. The detected shape was (229,) + inhomogeneous part.

复制代码

FishC

报错是由于 `np.array(pre_valid)` 无法转换为一个一致形状的 NumPy 数组造成的。可能 `pre_valid` 中包含了嵌套的列表或数组，它们的长度不一致。

以下是几个步骤来帮助你解决这个问题：

1. **检查 `pre_valid` 的内容**：确保 `pre_valid` 是一个可以被转换为规则形状（例如矩阵）的列表或数组。
   
2. **统一形状**：如果 `pre_valid` 包含不同长度的序列，请调整每个序列的长度一致。

3. **打印调试**：可以在代码中插入打印语句查看 `pre_valid` 的每个元素的形状和长度。例如：
  

1. for i, item in enumerate(pre_valid):
   
2.        print(f"Index {i}, Length: {len(item)}")

复制代码

4. **修正代码**：确保调用 `reshape` 的参数正确。例如，如果你希望转换为二维数组（即有两列），那么可以这样调整代码：
  

1. pre_valid = np.array(pre_valid)
   
2.    if pre_valid.ndim == 1:
   
3.        pre_valid = pre_valid.reshape(-1, 2)
   
4.    pre = torch.nn.functional.softmax(torch.tensor(pre_valid, dtype=torch.float32), dim=-1)
   
5.    result = np.argmax(pre, axis=1)

复制代码

5. **考虑数据准备步骤**：如果 `pre_valid` 原本就应该是某个固定结构，在准备这个数据集时确保其形状准确。

通过这些步骤，你应该能够识别并修复导致 `ValueError` 的问题。

以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。

Terence888

FishC 发表于 2024-11-7 17:21
报错是由于 `np.array(pre_valid)` 无法转换为一个一致形状的 NumPy 数组造成的。可能 `pre_valid` 中包含 ...

如果要把pre_valid转化为一维数组怎么做

FishC

Terence888 发表于 2024-11-07 17:24
如果要把pre_valid转化为一维数组怎么做

如果你的目标是将 `pre_valid` 转换为一维数组，可以使用 NumPy 提供的 `flatten()` 方法或 `ravel()` 方法。以下是实现方法：

1. import numpy as np
   
2. 
   
3. # 假设 pre_valid 是一个多维数组
   
4. pre_valid = np.array(pre_valid)
   
5. 
   
6. # 将它转换为一维数组
   
7. pre_valid_1d = pre_valid.flatten()
   
8. 
   
9. # 如果希望这个一维数组使用Torch的 Tensor 形式
   
10. pre_valid_tensor = torch.tensor(pre_valid_1d, dtype=torch.float32)

复制代码

### 方法解释：
- `flatten()` 方法返回一个新的一维数组，不修改原数组。
- `ravel()` 方法返回一维数组，但如果可能，它会返回原数组的视图，效率更高。

确保在转换之前检查 `pre_valid` 的数据类型和形状，以避免在创建数组或张量时出现问题。

以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。

Terence888

FishC 发表于 2024-11-7 17:24
如果你的目标是将 `pre_valid` 转换为一维数组，可以使用 NumPy 提供的 `flatten()` 方法或 `ravel()`  ...

这个方法下去就报错

1. ---------------------------------------------------------------------------
   
2. ValueError                                Traceback (most recent call last)
   
3. Cell In[103], line 1
   
4. ----> 1 pre = torch.nn.functional.softmax(torch.tensor(np.array(pre_valid).flatten(),dtype=torch.float32), dim=-1)
   
5.       2 result = np.argmax(pre,axis=1)
   
6. 
   
7. ValueError: setting an array element with a sequence. The requested array has an inhomogeneous shape after 1 dimensions. The detected shape was (229,) + inhomogeneous part.

复制代码

FishC

Terence888 发表于 2024-11-07 17:36
这个方法下去就报错-------------------------------- ...

这个错误通常意味着 `pre_valid` 中的元素是嵌套的多层序列，并且它们不规则，导致 NumPy 无法将它们展平为一个一致的一维数组。这个问题通常发生在 `pre_valid` 的每个元素不是固定大小的数组或列表。

为了解决这个问题，需要确保 `pre_valid` 中的元素可以整体转换为一个一维数组。以下是一些检查和解决措施：

1. **检查每个元素**：确保 `pre_valid` 中的每个元素都是可以平铺的。比如：
  

1. for i, item in enumerate(pre_valid):
   
2.        print(f"Element at index {i}: {item}, Type: {type(item)}, Length: {len(item) if hasattr(item, '__len__') else 'N/A'}")

复制代码

2. **手动展平**：如果 `pre_valid` 的结构是深度嵌套的，可以尝试手动展平成一维列表：
  

1. pre_valid_1d = []
   
2.    def flatten_list(data):
   
3.        for element in data:
   
4.            if isinstance(element, (list, np.ndarray)):
   
5.                flatten_list(element)
   
6.            else:
   
7.                pre_valid_1d.append(element)
   
8. 
   
9.    flatten_list(pre_valid)

复制代码

3. **修正数据结构**：确保数据在输入之前就是一致的格式。例如，如果每个元素是二维数据，使用正确的方法组装或处理它们。

4. **转换为 Float**：确保在手动处理的过程中，元素可以转换为 `float` 类型。

如果手动展平仍然报错，问题可能出在数据本身的某些部分不是数字或是无效的数据（例如包含字符串或对象）。这样的话，需要更深入地检查每个元素来确定问题源头。

以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。