PyTorch搭建BiLSTM处理蛋白质嵌入出现RuntimeError与NameError求助

错误2：NameError: name 'x_size' is not defined #

错误原因 #

调用张量维度的写法错误，同时存在3个关联问题：

• 张量取指定维度大小的正确写法是x.size(0)而非x_size(0)
• 双向LSTM的隐藏层数量为2 * num_layers（前后向各有num_layers层），所以h0、c0的第一维需要乘以2
• 不要硬编码device，直接用PyTorch Lightning提供的self.device自动匹配设备
• 双向LSTM的输出是前后向隐藏态的拼接，所以全连接层输入维度应为2 * n_neurons

修正代码 #

def __init__(self, input_shape: int, n_class: int, num_layers,  n_neurons: int = 128, lr: float = 1e-3):
    super(RNN,self).__init__()
    self.lr = lr
    self.n_neurons=n_neurons
    self.num_layers=num_layers
    self.input_shape = input_shape
    self.output_shape = 1 if n_class <= 2 else n_class
    self.activation = nn.Sigmoid() if n_class <= 2 else nn.Softmax(dim=-1)
    self.lstm = nn.LSTM(self.input_shape, self.n_neurons, num_layers, batch_first=True, bidirectional=True)
    # 修正全连接层输入维度：双向输出拼接后是2*n_neurons
    self.fc= nn.Linear(2 * self.n_neurons, self.output_shape)

def forward(self, x):
    # 修正双向LSTM的隐藏层维度、张量尺寸写法、设备获取
    h0=torch.zeros(2 * self.num_layers, x.size(0), self.n_neurons).to(self.device)
    c0=torch.zeros(2 * self.num_layers, x.size(0), self.n_neurons).to(self.device)
    out, _=self.lstm(x,(h0, c0))
    out=self.fc(out[:, -1, :])
    # 修正：返回经过LSTM计算+激活后的概率结果
    return self.activation(out)

错误1：RuntimeError: all elements of input should be between 0 and 1 #

错误原因 #

你在训练、验证步骤中没有调用forward方法，直接调用self.fc(x)跳过了LSTM和激活层，输出的是未归一化的logits，不符合BCELoss要求输入为0~1概率的规则。

修正代码 #

def training_step(self, batch, batch_idx):
    x, y = batch
    # 修正：调用forward走完整网络链路
    y_hat = self(x).squeeze()
    y = y.squeeze()
    if self.output_shape > 1:
        y_hat = torch.log(y_hat)
    loss = self.loss(y_hat, y)
    self.log("train_loss", loss, on_epoch=True, on_step=False)
    return {"loss": loss}

def validation_step(self, batch, batch_idx):
    x, y = batch
    # 修正：调用forward走完整网络链路
    y_hat = self(x).squeeze()
    y = y.squeeze()
    if self.output_shape > 1:
        y_hat = torch.log(y_hat)
    loss = self.loss(y_hat, y)
    self.log("val_loss", loss, on_epoch=True, on_step=False)
    return {"val_loss": loss}

其他需要修正的问题 #

• 你fit方法定义的validation_data参数是布尔类型，但调用时传入了(embeddings_test, np.array(y_test))元组，需要修改fit方法的参数定义为validation_data: Optional[tuple] = None，对应调整数据划分逻辑。
• 现有save方法仅保存全连接层的参数，没有保存LSTM层的参数，会导致模型加载后无法正常推理，修正save方法：

def save(self, path: str):
    torch.save(self.state_dict(), path)
    log.info("Save complete model parameters in %s", path)

• 对应修改load_state_dict方法加载整个模型的参数，不要只加载fc层。

内容的提问来源于stack exchange，提问作者KhalilBR