PyTorch加载.pt文件预测CSV单条数据时出现AttributeError问题求助

错误根源 #

你在预测代码里直接对TensorDataset对象调用了unsqueeze()方法，但TensorDataset只是个数据集容器，本身没有张量的方法——只有它内部包裹的张量才能用unsqueeze()。

具体修正步骤 #

1. 调整单条数据的处理逻辑 #

把对TensorDataset的操作改成提取内部张量后再处理：

• 错误写法（触发报错）：

dataset = TensorDataset(data_tensor)
dataset = dataset.unsqueeze(0)  # 这里把数据集当成张量操作，必然报错

• 正确写法：

dataset = TensorDataset(data_tensor)
# 取出数据集里的特征张量，再补batch维度
input_tensor = dataset[0][0].unsqueeze(0)

2. 完整可运行的预测代码示例 #

import torch
import pandas as pd
from torch.utils.data import TensorDataset

# 加载训练好的模型
model = torch.load('best3.pt')
model.eval()  # 切换到评估模式，关闭训练专属层

# 加载单条无标签数据
data = pd.read_csv('onedata.csv').values
data_tensor = torch.tensor(data, dtype=torch.float32)

# 处理数据：提取张量并补batch维度（模型默认接收批量输入）
dataset = TensorDataset(data_tensor)
input_tensor = dataset[0][0].unsqueeze(0)

# 执行预测
with torch.no_grad():  # 关闭梯度计算，节省资源
    output = model(input_tensor)
    pred_class = torch.argmax(output, dim=1).item()

print(f"预测类别：{pred_class}")

3. 额外注意点 #

• 确保单条数据的特征数量和训练集完全一致，不然模型会报错维度不匹配
• 数据类型要和训练时统一（比如都用float32）
• 模型加载后必须加model.eval()，避免dropout、BatchNorm等层干扰预测结果

内容的提问来源于stack exchange，提问作者RobertLink