https://zh-v2.d2l.ai/chapter_computer-vision/kaggle-dog.html
代码运行报错 
TypeError: can’t convert cuda:0 device type tensor to numpy. Use Tensor.cpu() to copy the tensor to host memory first.evaluate_loss
是否应该将
l_sum=l.sum()
修改为
l_sum = l.sum().cpu().detach().numpy()
如下代码:
def evaluate_loss(data_iter, net, devices):
l_sum, n = 0.0, 0
for features, labels in data_iter:
features, labels = features.to(devices[0]), labels.to(devices[0])
outputs = net(features)
l = loss(outputs, labels)
l_sum = l.sum().cpu().detach().numpy()
n += labels.numel()
return l_sum / n
我的话是在train函数中，将animator.add(epoch + 1, (None, valid_loss.detach()))改成animator.add(epoch + 1, (None, valid_loss.cpu().detach()))。原理就是将cuda的tensor先转到cpu上再转成numpy。就能正常运行了。
在代码output = torch.nn.functional.softmax(net(data.to(devices[0])), dim=0)中，dim应该错了，正确的dim应该是1，dim=1,如果你dim=0，submission.csv每一行的概率和都不会等于1
1 Like
采用原始数据集是，运行reorg_dog_data(data_dir, valid_ratio)出错。
OSError Traceback (most recent call last)
/tmp/ipykernel_43/2925177068.py in
6 batch_size = 32 if demo else 128
7 valid_ratio = 0.1
----> 8 reorg_dog_data(data_dir, valid_ratio)
/tmp/ipykernel_43/2925177068.py in reorg_dog_data(data_dir, valid_ratio)
1 def reorg_dog_data(data_dir, valid_ratio):
2 labels = d2l.read_csv_labels(os.path.join(data_dir, ‘labels.csv’))
----> 3 d2l.reorg_train_valid(data_dir, labels, valid_ratio)
4 d2l.reorg_test(data_dir)
5
/opt/conda/lib/python3.7/site-packages/d2l/torch.py in reorg_train_valid(data_dir, labels, valid_ratio)
2062 copyfile(
2063 fname,
-> 2064 os.path.join(data_dir, ‘train_valid_test’, ‘train_valid’, label))
2065 if label not in label_count or label_count[label] < n_valid_per_label:
2066 copyfile(
/opt/conda/lib/python3.7/site-packages/d2l/torch.py in copyfile(filename, target_dir)
2045 def copyfile(filename, target_dir):
2046 “”“Copy a file into a target directory.”""
-> 2047 os.makedirs(target_dir, exist_ok=True)
2048 shutil.copy(filename, target_dir)
2049
/opt/conda/lib/python3.7/os.py in makedirs(name, mode, exist_ok)
211 if head and tail and not path.exists(head):
212 try:
–> 213 makedirs(head, exist_ok=exist_ok)
214 except FileExistsError:
215 # Defeats race condition when another thread created the path
/opt/conda/lib/python3.7/os.py in makedirs(name, mode, exist_ok)
211 if head and tail and not path.exists(head):
212 try:
–> 213 makedirs(head, exist_ok=exist_ok)
214 except FileExistsError:
215 # Defeats race condition when another thread created the path
/opt/conda/lib/python3.7/os.py in makedirs(name, mode, exist_ok)
221 return
222 try:
–> 223 mkdir(name, mode)
224 except OSError:
225 # Cannot rely on checking for EEXIST, since the operating system
OSError: [Errno 30] Read-only file system: ‘…/input/dog-breed-identification/train_valid_test’
- …/data/dog-breed-identification/labels.csv
- …/data/dog-breed-identification/sample_submission.csv
- …/数据/种身份识别/火车
- …/数据/种身份识别/测试
“火车”是否应该改为“训练”呢？
Kaggle input那个位置的文件只读，代码有个copy的操作，所以没权限，要把文件拷到/kaggle/working这个目录下
1 Like
请问关于“我们选择预训练的ResNet-34模型，我们们只需重复使用此模型的输出层（即提取的特征）的输入”这句话，是否要表达的是把ResNet-34模型的输出作为后面训练模型的输入。如果是这样的话，是否修改为“我们选择预训练的ResNet-34模型，我们只需重复使用此模型的输出层（即提取的特征）作为输入”更合适。
同时，“在计算损失之前，我们首先获取预训练模型的输出层的输入，即提取的特征。”，是否改为“在计算损失之前，我们首先获取预训练模型的输出层作为输入，即提取的特征。”更为合适？
根据原文，原翻译的意思应该是准确的。即重复用到的部分是ResNet-34输出层的输入。
Here, we choose a pretrained ResNet-34 model, where we simply reuse the input of this model’s output layer (i.e., the extracted features).
而且后文提到，
然后，我们可以用一个可以训练的小型自定义输出网络替换原始输出层。
可以看出并不是用ResNet-34模型的输出作为后面训练模型的输入。
如何输出train accuracy以及本地部署
我看代码的时候也是这样觉得。output.shape是(128,120)。dim=0是batchsize维，dim=1才是对120个类别作sofmax处理。
有没有人尝试全部的数据集训练 
，我尝试了几个超参数都是过拟合，有没有大佬提供一个比较好的参数
我想知道features 属性并不是 nn.Sequential 的属性，代码中
inetune_net = nn.Sequential()
finetune_net.features = torchvision.models.resnet34(pretrained=True)
为什么没问题
查看网络结构，其实就是定义了网络模块，名称为‘features’,与后面的‘output_new’一致