使用PSO优化CNN超参数时遇ValueError解包值数量不符问题求助

错误原因 #

你遇到的问题核心是对pyswarms库的适应度函数参数逻辑理解有误：pyswarms在调用fitness_function时，传入的是所有粒子的参数矩阵（形状为(n_particles, dimensions)，这里就是(100,3)），而非单个粒子的3个参数。你直接尝试把这个二维矩阵解包成3个变量，自然会触发"值太多无法解包"的错误。

修复方案 #

修改适应度函数，遍历处理每个粒子的参数，计算每个粒子对应的适应度值，最后返回一个包含所有粒子适应度的数组。示例代码如下：

import numpy as np

# 假设你有一个训练评估函数，输入超参数返回性能指标
def train_and_evaluate(hidden_channels, kernel_size, stride):
    # 这里替换成你的CNN构建、训练、评估逻辑
    # 示例：返回模拟的准确率（实际中要换成真实训练后的指标）
    return 0.8 + np.random.rand()*0.15

def fitness_function(params):
    fitness = []
    # 遍历每个粒子的参数数组
    for particle in params:
        # 对单个粒子的3个参数解包，注意转成整数（CNN超参数通常是整数）
        hidden_channels = int(particle[0])
        kernel_size = int(particle[1])
        stride = int(particle[2])
        
        # 训练评估模型，获取性能指标
        acc = train_and_evaluate(hidden_channels, kernel_size, stride)
        
        # PSO默认最小化适应度值，若目标是最大化准确率，返回负的准确率
        fitness.append(-acc)
    # 返回所有粒子的适应度数组
    return np.array(fitness)

额外注意事项 #

• 参数类型转换：PSO生成的参数是浮点数，而CNN的kernel_size、stride等超参数需要整数，必须手动转换。
• 适应度方向：pyswarms默认是最小化适应度值，如果你的目标是最大化准确率，需要返回负的准确率；如果是最小化损失，直接返回损失值即可。
• 边界匹配：你设置的lower_limit、upper_limit和dimensions=3的匹配是正确的，无需调整。

内容的提问来源于stack exchange，提问作者Black Swan