MLP实现加法运算：PyTorch模型预测生成问题求助

你的代码训练部分逻辑正确，但预测环节存在两个核心问题：

1. model.generate 方法不存在：PyTorch的Sequential模型没有内置generate方法，要获取预测结果，直接将输入张量传入模型即可（和训练时调用model(X)的方式一致）。
2. 输入张量维度不匹配：训练时的输入是(N, D)形状的张量（N个样本，每个样本D维），而你定义的idx是1D张量[3,4]，模型无法直接处理。需要为其添加批量维度，转换为2D张量（即使只有一个样本）。

修正后的预测代码 #

# 切换模型到评估模式（无训练专属层时可选，但这是标准评估流程）
model.eval()

# 定义测试输入，转换为模型要求的2D张量（形状为(1, 2)）
test_input = torch.tensor([3.0, 4.0]).unsqueeze(0)  # 添加批量维度
# 也可以用reshape实现：test_input = torch.tensor([3.0,4.0]).reshape(1,2)

# 获取预测结果，评估时无需计算梯度
with torch.no_grad():
    prediction = model(test_input)
print(f"输入[3,4]的预测结果: {prediction.item():.4f}")

# 测试多个输入的示例
test_inputs = torch.tensor([[1.5, 2.5], [0.3, 0.7], [10.0, 20.0]])
with torch.no_grad():
    predictions = model(test_inputs)
print("\n多个输入的预测结果:")
for input_pair, pred in zip(test_inputs, predictions):
    print(f"{input_pair.numpy()} → {pred.item():.4f}")

完整修正代码 #

将预测部分替换为上述代码后，完整可运行代码如下：

import torch

torch.manual_seed(42)

N = 1000  # number of samples
D = 2     # Input dimension
C = 1     # Output dimension
lr = 1e-2 # learning rate

X = torch.rand(N, D)                      # 1000 numbers of 2 dims
y = torch.sum(X, axis=-1).reshape(-1, C)  # This is summing X rows and reshaping it to 1 output dimension

model = torch.nn.Sequential(torch.nn.Linear(D, C))

criterion = torch.nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=lr)

for i in range(500):
    y_pred = model(X)
    loss = criterion(y_pred, y)
    loss.backward()
    optimizer.step()
    optimizer.zero_grad()
    if i % 50 == 0:
        print(i)
        print('---')
        print(loss.item())

# 预测环节
model.eval()
# 单个输入测试
test_input = torch.tensor([3.0, 4.0]).unsqueeze(0)
with torch.no_grad():
    prediction = model(test_input)
print(f"输入[3,4]的预测结果: {prediction.item():.4f}")

# 多个输入测试
test_inputs = torch.tensor([[1.5, 2.5], [0.3, 0.7], [10.0, 20.0]])
with torch.no_grad():
    predictions = model(test_inputs)
print("\n多个输入的预测结果:")
for input_pair, pred in zip(test_inputs, predictions):
    print(f"{input_pair.numpy()} → {pred.item():.4f}")

关键说明 #

• model.eval()：切换到评估模式，确保模型中训练专属层（如Dropout、BatchNorm）按评估逻辑运行，是PyTorch评估的标准操作。
• torch.no_grad()：评估阶段无需计算梯度，使用该上下文管理器可节省内存并提升计算速度。
• 张量维度匹配：模型输入必须与训练时的输入维度一致（(批量大小, 输入维度)），单个样本需通过unsqueeze或reshape添加批量维度。

内容的提问来源于stack exchange，提问作者detroitnatif