AI 助理
备案控制台
开发者社区 云计算 文章 正文

params argument given to the optimizer should be an iterable

2023-01-17 303
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介： params argument given to the optimizer should be an iterable 

net=nn.Linear(100,1)
optimizer_w=torch.optim.SGD(net.weight,lr=0.03,weight_decay=wd)
>出现问题的原因是SGD函数所需的param参数应该是迭代器或者是张量对应的字典
>但是此时net.weight就是个普通张量
>解决办法：
>optimizer_w=torch.optim.SGD([net.weight],lr=0.03,weight_decay=wd)
>将net.weight变成列表，可迭代


壹佰、
目录
相关文章
a15723093529-22168
|
机器学习/深度学习 监控 算法
图像去雾综述
图像去雾综述
a15723093529-22168
534 2
5i77ajz5u7ji6
|
传感器
多传感器感知原理解读 | BEVFusion解读（二）
多传感器感知原理解读 | BEVFusion解读（二）
5i77ajz5u7ji6
815 0
须尽欢~~
|
存储 编解码 算法
H.264编码及AAC编码基础 3
H.264编码及AAC编码基础
须尽欢~~
516 0
cloudcoder
|
Linux Windows
转 vnc viewer与windows之间的复制粘贴
cloudcoder
31209 0
蚝油菜花
|
10月前
|
人工智能 自动驾驶 决策智能
DrivingDojo：中科院联合美团推出的自动驾驶数据集，包含视频片段、驾驶操作和驾驶知识
DrivingDojo是由中国科学院自动化研究所与美团无人车团队联合推出的交互式驾驶世界模型数据集，包含18,000个视频片段，涵盖驾驶操作、多智能体交互及开放世界驾驶知识。该数据集为自动驾驶模型的开发提供了坚实基础，并定义了动作指令跟随（AIF）基准，用于评估世界模型在执行动作控制的未来预测能力。
蚝油菜花
210 6
DrivingDojo：中科院联合美团推出的自动驾驶数据集，包含视频片段、驾驶操作和驾驶知识
明弟有理想
|
12月前
|
存储 域名解析 监控
云上攻防：任意上传、域名接管与AK/SK泄漏
随着企业上云的趋势加剧，云安全成为新的焦点。本文探讨了云计算环境中的三大安全问题：任意上传、域名接管与AK/SK泄漏，分析了这些威胁的工作原理及防护措施，强调了数据保护和访问控制的重要性。通过阿里云等平台的实际案例，提供了具体的安全防范建议。
明弟有理想
1421 2
云上攻防：任意上传、域名接管与AK/SK泄漏
shliang0603
|
算法 定位技术 vr&ar
一文了解PnP算法，python opencv中的cv2.solvePnP()的使用，以及使用cv2.sovlePnP()方法标定相机和2D激光雷达
一文了解PnP算法，python opencv中的cv2.solvePnP()的使用，以及使用cv2.sovlePnP()方法标定相机和2D激光雷达
shliang0603
2666 0
一文了解PnP算法，python opencv中的cv2.solvePnP()的使用，以及使用cv2.sovlePnP()方法标定相机和2D激光雷达
1941623231718325
|
机器学习/深度学习 算法 PyTorch
深入理解PyTorch自动微分：反向传播原理与实现
【4月更文挑战第17天】本文深入解析PyTorch的自动微分机制，重点讨论反向传播的原理和实现。反向传播利用链式法则计算神经网络的梯度，包括前向传播、梯度计算、反向传播及参数更新。PyTorch通过`autograd`模块实现自动微分，使用`Tensor`和计算图记录操作历史以自动计算梯度。通过示例展示了如何在PyTorch中创建张量、定义计算过程及求梯度。掌握这些有助于提升深度学习模型的训练效率。
1941623231718325
929 1
YOLO创新改进大师
|
机器学习/深度学习 编解码 PyTorch
【YOLOv8改进】HAT(Hybrid Attention Transformer,)混合注意力机制 (论文笔记+引入代码)
YOLO目标检测专栏介绍了YOLO系列的改进方法和实战应用，包括卷积、主干网络、注意力机制和检测头的创新。提出的Hybrid Attention Transformer (HAT)结合通道注意力和窗口自注意力，激活更多像素以提升图像超分辨率效果。通过交叉窗口信息聚合和同任务预训练策略，HAT优化了Transformer在低级视觉任务中的性能。实验显示，HAT在图像超分辨率任务上显著优于现有方法。模型结构包含浅层和深层特征提取以及图像重建阶段。此外，提供了HAT模型的PyTorch实现代码。更多详细配置和任务说明可参考相关链接。
YOLO创新改进大师
618 2
程序员行者孙
|
Linux Windows
【已解决】ValueError: num_samples should be a positive integer value, but got num_samples=0
【已解决】ValueError: num_samples should be a positive integer value, but got num_samples=0
程序员行者孙
1150 0