PyTorch点云特征提取模型报错：'KMeans'对象无'labels_'属性

错误原因 #

你创建了KMeans实例后，没有调用fit()或fit_predict()方法对数据进行聚类拟合。sklearn的KMeans只有在完成数据拟合后才会生成labels_属性，直接访问未拟合的实例自然会触发属性不存在的错误。

修改后的代码 #

def forward(self, feature_matrix_batch):
    # feature_matrix_batch size = (N,I,D) where N=batch number, I=members, D=member dimensionality
    N, I, D = feature_matrix_batch.size()
    clusters = []
    for i, feature_matrix in enumerate(feature_matrix_batch):
        kmeans = KMeans(n_clusters=self.k, init=self.kmeansInit, n_init=self.n_init)
        # 关键修改：先将tensor转为numpy数组，再执行聚类拟合
        feature_np = feature_matrix.cpu().numpy()  # GPU tensor需先转CPU再转numpy
        kmeans.fit(feature_np)  # 拟合后kmeans.labels_才会生成
        # 也可以用fit_predict一步获取标签：labels = kmeans.fit_predict(feature_np)
        labels = np.apply_along_axis(lambda x: x + (i*self.k), axis=0, arr=kmeans.labels_)
        clusters.extend(labels)
    clusters = np.asarray(clusters)
    list1 = []
    list2 = []
    for i in range(self.k*N):
        indices = np.argwhere(clusters == i).flatten().tolist()
        if len(indices) != 1:
            edges = [e for e in nx.complete_graph(indices).edges]  # 修正笔误：netx -> nx
            inverse_edges = list(map(lambda x: (x[1], x[0]), edges))
            edges.extend(inverse_edges)
            unzip = list(zip(*edges))
            list1.extend(unzip[0])
            list2.extend(unzip[1])
        else:
            list1.append(indices[0])
            list2.append(indices[0])

    edge_index = torch.tensor([list1, list2], dtype=torch.long, device=feature_matrix_batch.device)
    edge_index = sort_edge_index(add_self_loops(edge_index)[0])[0]
    conv_feature_matrix_batch = self.conv(feature_matrix_batch.view(-1, D), edge_index).view(N, I, -1)
    # conv_feature_matrix_batch size = (N,I,L) where N=batch number, I=members, L=C+P
    return feature_matrix_batch, conv_feature_matrix_batch, torch.tensor(clusters, dtype=torch.long, device=feature_matrix_batch.device)

额外注意事项 #

• 代码中的netx是笔误，应该是nx（networkx库的常规别名），不修正会触发NameError。
• 若输入tensor在GPU上，必须先转至CPU再转为numpy数组——sklearn不支持直接处理GPU张量。
• 可以用fit_predict简化流程：直接通过labels = kmeans.fit_predict(feature_np)获取聚类标签，无需单独调用fit()。

内容的提问来源于stack exchange，提问作者abdou