拆分功能，对其中一些进行预处理，然后将它们重新组合在一起。（永远挂起）

Question

我正在尝试将所有特征（第一个特征除外）提供给某些层 (nn.Linear + nn.LeakyReLU)，获取输出，然后重新组合初始数据结构并提供它到最后一层。但是训练过程永远挂起，我没有得到任何输出。

需要说明的是，如果没有这个，代码也能正常工作，但我试图通过在将它们（未处理的第一个特征）提供给最后一层之前预处理一些特征来改进结果。

如有任何帮助，我们将不胜感激。

这是我的代码：

def forward(self, x):
        # save the residual for the skip connection
        res = x[:, :, 0:self.skip]

        xSignal = np.zeros((len(x),len(x[0]),1))
        xParams = np.zeros((len(x),len(x[0]),len(x[0][0])-1))

        # separate data
        for b in range(len(x)):
            for c in range(len(x[b])):
                for d in range(len(x[b][c])):
                    if d == 0:
                        xSignal[b][c][d] = x[b][c][d]
                    else:
                        xParams[b][c][d-1] = x[b][c][d]

        # pass parameters through first network
        xParams = torch.from_numpy(xParams).cuda().float()
        xParams = self.paramsLinear(xParams)
        xParams = self.paramsLeakyRelu(xParams)

        # make new array with output and the signal
        xConcat = np.zeros((len(x),len(x[0]),len(x[0][0])))
        for b in range(len(x)):
            for c in range(len(x[b])):
                for d in range(len(x[b][c])):
                    if d == 0:
                        xConcat[b][c][d] = xSignal[b][c][d]
                    else:
                        xConcat[b][c][d] = xParams[b][c][d-1]

        # convert to tensor
        xConcat = torch.from_numpy(xConcat).cuda().float()

        # pass it through the recurrent part
        xConcat, self.hidden = self.rec(xConcat, self.hidden)
        # then the linear part and return
        return self.lin(xConcat) + res```

Answer 1

事实证明，切片比迭代更快更容易。而且我还使用 torch.cat 函数将所有内容放回到一个张量中。

    def forward(self, x):
        # save the residual for the skip connection
        res = x[:, :, 0:self.skip]

        # split features
        xSignal = x[:, :, 0:1]
        xParams = x[:, :, 1:]

        # pass only some features through first layers
        xParams = self.paramsLinear(xParams)
        xParams = self.paramsLeakyRelu(xParams)

        # put everything back together
        x = torch.cat((xSignal, xParams), 2)

        # pass it through the last layers
        x, self.hidden = self.rec(x, self.hidden)
        # then the linear part and return
        return self.lin(x) + res

现在正在按预期训练:)

拆分功能，对其中一些进行预处理，然后将它们重新组合在一起。（永远挂起）

Split features, preprocess some of them, then join them back together. (hangs forever)

python

pytorch

拆分功能，对其中一些进行预处理，然后将它们重新组合在一起。 （永远挂起）

Split features, preprocess some of them, then join them back together. (hangs forever)

python

pytorch

拆分功能，对其中一些进行预处理，然后将它们重新组合在一起。（永远挂起）