机器学习中的类别数CLASS_NUM

最新推荐文章于 2024-07-09 23:02:26 发布

是锦鲤本臾了!

最新推荐文章于 2024-07-09 23:02:26 发布

阅读量8.4k

点赞数 2

CC 4.0 BY-SA版权

文章标签：神经网络深度学习机器学习

本文链接：https://blog.csdn.net/qq_17019229/article/details/105523147

CSER人工智能训练专栏收录该内容

7 篇文章

订阅专栏

本文详细解析了在机器学习训练过程中遇到的RuntimeError断言错误，具体分析了问题出现在全连接层设置的参数out_features上，即分类数量设置不当导致的错误，并提供了正确的参数设置方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在做机器学习训练时出现了报错

RuntimeError: Assertion `cur_target >= 0 && cur_target < n_classes’ failed. at C:\w\1\s\tmp_conda_3.7_104508\conda\conda-bld\pytorch_1572950778684\work\aten\src\THNN/generic/ClassNLLCriterion.c:97

直接翻译的话就是断言错误。其表达的意思就是，程序在我的假设条件下，能够正常良好的运作。
我们追溯报错找到了以下问题代码
在将输出结果输入损失函数时，发生了参数CLASS_NUMBER错误。
这个参数在神经网络初始化的最后一行，
fc: 全连接层（fully connected layers，FC）在整个卷积神经网络中起到“分类器”的作用.如果说卷积层、池化层和激活函数层等操作是将原始数据映射到隐层特征空间的话，全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用。
nn.Linear（）是用于设置网络中的全连接层的，出问题的参是nn.Linear()参数out_features:输出的二维张量的大小,二维张量的形状为[batch_size，output_size]。也代表了全连接神经元的个数。在这里插入图片描述

        self.conv1 = Conv1(in_planes = 3, places= 64)

        self.layer1 = self.make_layer(in_places = 64, places= 64, block=blocks[0], stride=1)
        self.layer2 = self.make_layer(in_places = 256,places=128, block=blocks[1], stride=2)
        self.layer3 = self.make_layer(in_places=512,places=256, block=blocks[2], stride=2)
        self.layer4 = self.make_layer(in_places=1024,places=512, block=blocks[3], stride=2)

        self.avgpool = nn.AvgPool2d(7, stride=1)

        self.fc = nn.Linear(2048,num_classes)

CLASS_NUM的含义就是最后一个全连接层所分出的类个数，是nn.Linear()参数out_features,二维张量的大小.
参考：
https://www.zhihu.com/question/41037974?sort=created
https://blog.csdn.net/qq_42079689/article/details/102873766