1.      

        看b站视频用卷积进行手写数字识别源代码如下：

#输入为28*28*1 经过第一次卷积计算后为 28*28*16 池化变为14*14*16 第二次卷积14*14*32 池化7*7*32即全连接（10为10分类） #前向传播：经过卷积1、2 再把结果转化为向量格式 结果×全连接层（w*x+b）import torch import torch.nn as nn import torch.optim as optim from torchvision import datasets,transforms#定义超参数 input_size = 28 #图像的总尺寸28*28 num_classes = 10 #标签的种类数 num_epochs = 3 #训练的总循环周期 batch_size = 64 #一个撮(批次)的大小，64张图片# 数据集 train_dataset = datasets.MNIST("./data",train=True,transform=transforms.ToTensor(),download=True) test_dataset = datasets.MNIST("./data",train=False,transform=transforms.ToTensor()) #构建batch数据 train_loader = torch.utils.data.DataLoader(dataset=train_dataset,batch_size=batch_size,shuffle=True) test_loader = torch.utils.data.DataLoader(dataset=test_dataset,batch_size=batch_size,shuffle=True)class CNN(nn.Module):def __init__(self):super(CNN,self).__init__()self.conv1=nn.Sequential( #输入大小(1, 28，28)nn.Conv2d(in_channels=1, #灰度图out_channels=16, #要得到几多少个特征图kernel_size=5, #卷积核大小stride=1, #步长padding=2, #如果希望卷积后大小跟原来一样， 需要设置padding=(kerneI_size-1)/2 if stride=1), #输出的特征图为(16, 28, 28)nn.ReLU(), # relu层nn.MaxPool2d(kernel_size=2), #进行池化操作(2x2区域)，输出结果为: (16, 14， 14))self.conv2 = nn.Sequential( #下一个套餐的输入(16, 14, 14)nn.Conv2d(16,32,5,1,2), #输出(32, 14，14)此处的16为上面的到的16个特征图nn.ReLU(), # relu层nn.MaxPool2d(2), #输出(32，7，7))self.out = nn.Linear(32*7*7,10) # 全连接层得到的结果（输入32*37*7 输出10）def forward(self,x): #前向传播x = self.conv1(x),x = self.conv2(x)x = x.view(x.size(0),-1) #flatten操作，结果为: (batch_ size, 32*7*7)output = self.out(x) #上步向量乘全连接层return outputdef accuracy(predictions, labels):pred = torch.max(predictions.data,1)[1]rights = pred.eq(labels.data.view_as(pred)).sum()return rights, len(labels)#实例化 net = CNN() #损失函数 criterion = nn.CrossEntropyLoss() #优化器 optimizer = optim.Adam(net.parameters(), lr=0.001) #定义优化器，普通的随机梯度下降算法#开始训练循环 for epoch in range(num_epochs):#当前epoch的结果保存下来train_rights = []for batch_idx,(data,target) in enumerate(train_loader): #针对容器中的每一个批进行循环#对于一个可迭代的（iterable）/可遍历的对象（如列表、字符串），enumerate将其组成一个索引序列，利用它可以同时获得索引和值net.train()output=net(data)loss = criterion(output,target)optimizer.zero_grad()loss.backward()optimizer.step()right = accuracy(output,target)train_rights.append(right)if batch_idx % 100 == 0:net.eval()val_rights = [] #保存精度for (data,target) in test_loader:output = net(data)right = accuracy(output,target)val_rights.append(right)#准确率计算train_r = (sum([tup[0] for tup in train_rights]),sum([tup[1] for tup in train_rights]))val_r = (sum([tup[0] for tup in val_rights]),sum([tup[1] for tup in val_rights]))print('当前epoch:{} [{}/{} ({:.0f}%)]\t 损失: {:.6f}\t 训练集准确率: {:.2f}%\t 测试集正确率: {:.2f}%'.format(epoch, batch_idx * batch_size, len(train_loader.dataset),100.*batch_idx / len(train_loader),loss.data,100. * train_r[0].numpy() / train_r[1],100. * val_r[0].numpy() / val_r[1]))

        运行代码报如下错误：

        看了一下大概意思就是往conv2传的参数格式不对，检查一下，发现太粗心，在54行多打了个“，”修改后正常运行了

 2.

        改完后搜了一下，看看有没有同学跟我一样粗心的，发现一个同学也报同样的错误，但不是多了一个逗号，他的源代码如下：

import torch import torch.nn as nn from torchvision import datasets, transforms from torchvision.datasets import MNIST import torch.optim as optim import numpy as np import torch.nn.functional as F import matplotlib.pyplot as plt from torch.utils.data import DataLoader# -- 定义超参数 input_size = 28 # -- 图片尺寸28*28 num_class = 10 # -- 最后分类情况 10分类0-9 num_epochs = 3 # -- 循环3个周期 batch_size = 64 # -- batch大小64# -- 训练集 train_dataset = MNIST(root="./data/", train=True, transform=transforms.ToTensor(), download=True) # -- 测试集 test_dataset = MNIST(root="./data/", train=False, transform=transforms.ToTensor())# -- 构建batch数据 train_loader = DataLoader(dataset=train_dataset,batch_size=batch_size,shuffle=True) test_loader = DataLoader(dataset=test_dataset,batch_size=batch_size,shuffle=True)# -- 定义模型 class CNN_Model(nn.Module):def __init__(self):super(CNN_Model, self).__init__()# -- 第一个卷积单元 卷积 relu 池化 输入图为28*28*1 输出结果为 16 *14 *14self.conv1 = nn.Sequential(nn.Conv2d(in_channels=1, # -- 输入的灰度图 1通道 所以是1out_channels=16, # -- 想得到多少个特征图 输出的特征图16个kernel_size=5, # -- 卷积核的大小 5*5 提取成1个点stride=1, # -- 步长为1padding=2 # -- 填充0),nn.ReLU(), # -- relu层nn.MaxPool2d(kernel_size=2) # -- 池化操作 输出结果为 16 *14 *14)# -- 第二个卷积单元 输入为16*14*14 输出10分类self.conv2 = nn.Sequential(nn.Conv2d(16, 32, 5, 1, 2), # -- 输入为16*14*14nn.ReLU(),nn.MaxPool2d(2) # -- 输出为32*7*7)self.out = nn.Linear(32 * 7 * 7, 10) # -- 全连接层 输出10分类# -- 前向传播def forward(self, x):x = self.conv1(x)x = self.conv2(x)x = x.view(x.size(0), -1) # -- flatten操作 拉成一维数组形式 才能进行全连接输出output = self.out(x)return output# -- 定义一个评估函数 def pinggu(predictions, labels):pred = torch.max(predictions.data, 1)[1]right = pred.eq(labels.data.view_as(pred)).sum()return right, len(labels)# -- 训练网络模型 # -- 实例化 mymodel = CNN_Model() # -- 损失函数 loss_fn = nn.CrossEntropyLoss() # -- 优化器 # 普通的随机梯度下降 optimizer = optim.Adam(mymodel.parameters(), lr=0.001)# -- 开始训练 for epoch in range(num_epochs):# -- 当前epoch结果保存起来train_right = []for batch_idx, (data, target) in enumerate(train_loader):mymodel.train()output = mymodel(data)loss = loss_fn(output, target)optimizer.zero_grad()loss.backward()optimizer.step()right = pinggu(output, target)train_right.append(right)if batch_idx % 100 == 0:mymodel.eval()val_right = []for (data, target) in enumerate(test_loader):output = mymodel(data)right = pinggu(output, target)val_right.append(right)# -- 准确率计算train_r = (sum([tup[0] for tup in train_right]), sum([tup[1] for tup in train_right]))val_r = (sum([tup[0] for tup in val_right]), sum([tup[1] for tup in val_right]))print('当前epoch:{} [{}/{} ({:.0f}%)]\t 损失:{:.6f}\t 训练集准确率: {:.2f}%\t 测试集准确率:{:.2f}%'.format(epoch, batch_idx * batch_size, len(train_loader.dataset),100. * batch_idx / len(train_loader),loss.data,100. * train_r[0].numpy() / train_r[1],100. * val_r[0].numpy() / val_r[1]))

        他报的错误如下：

        看了一下也是传入的参数格式不对，只需要把95行修改一下

for (data, target) in enumerate(test_loader): 改为 for (data, target) in test_loader: 修改前： for (data, target) in enumerate(test_loader): #输出data结果为 0 1 2 . . data格式为int修改后： for (data, target) in test_loader: 输出结果为： tensor([[[[0., 0., 0., ..., 0., 0., 0.],[0., 0., 0., ..., 0., 0., 0.],[0., 0., 0., ..., 0., 0., 0.], 格式为Tensor

        再看一下报错：

         原因：人家要的是Tensor，你传的是int

3.总结

        该问题就是传入的参数格式不对，出现问题可以检查一下问题处的数据传入

总结

以上是生活随笔为你收集整理的解决TypeError: conv2d() received an invalid combination of arguments的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。