我最近开始使用Torch框架和Lua脚本语言玩弄神经网络。我已经掌握了线性网络的基础知识，所以我尝试了一些更复杂但足够简单的东西：
我的想法是，我有3个输入，我必须选择前两个，进行除法运算，并将结果传递给线性模块。因此，我编写了这个小脚本：
require "nn";require "optim";local N = 3;local input = torch.Tensor{ {1, 2, 3}, {9, 20, 20}, {9, 300, 1},};local output = torch.Tensor(N);for i=1, N do output[i] = 1;endlocal ratioPerceptron = nn.Sequential();ratioPerceptron:add(nn.Narrow(1, 1, 2));ratioPerceptron:add(nn.CDivTable());ratioPerceptron:add(nn.Reshape(N, 1));ratioPerceptron:add(nn.Linear(1, 1));ratioPerceptron:add(nn.Sigmoid());local criterion = nn.BCECriterion();local params, gradParams = ratioPerceptron:getParameters();local optimState = {learningRate = 0.01};local maxIteration = 100000;for i=1, maxIteration do local function f(params) gradParams:zero(); local outputs = ratioPerceptron:forward(input); local loss = criterion:forward(outputs, output); local dloss_doutputs = criterion:backward(outputs, output); ratioPerceptron:backward(input, dloss_doutputs); return loss, gradParams; end optim.sgd(f, params, optimState);end在训练过程中调用backward时会失败，并显示以下错误：
CDivTable.lua:21: both torch.LongStorage and (null) have no addition operator
但是，如果我从顺序模块中移除CDivTable，并将nn.Reshape和nn.Linear更改为二维输入（因为我们移除了CDivTable，它将二维输入除以产生一维输出），如下所示：
local ratioPerceptron = nn.Sequential();ratioPerceptron:add(nn.Narrow(1, 1, 2));ratioPerceptron:add(nn.Reshape(N, 2));ratioPerceptron:add(nn.Linear(2, 1));ratioPerceptron:add(nn.Sigmoid());训练可以无错误地完成…是否有其他方法可以对两个选定的输入进行除法运算，并将结果传递给线性模块？
回答：
模块CDivTable接受一个表作为输入，并将第一个表的元素除以第二个表的元素。在这里，你用单个输入而不是两个输入的表来馈送你的网络。这就是为什么你会遇到带有null的错误，我认为。Torch无法理解你的输入（由两个向量组成）应该被视为两个向量的表。它只能看到一个大小为2x3的张量！因此，你必须告诉Torch从输入中创建一个表。因此，你可以使用SplitTable(dim)模块，它将沿维度dim将输入拆分为表。
在狭窄模块之后插入这行ratioPerceptron:add(nn.SplitTable(1))：
local ratioPerceptron = nn.Sequential();ratioPerceptron:add(nn.Narrow(1, 1, 2));ratioPerceptron:add(nn.SplitTable(1))ratioPerceptron:add(nn.CDivTable());ratioPerceptron:add(nn.Reshape(N, 1));ratioPerceptron:add(nn.Linear(1, 1));ratioPerceptron:add(nn.Sigmoid());此外，当你遇到这样的错误时，我建议你通过添加print语句来查看你的网络计算了什么：在你添加导致错误的模块之前的那一行插入print(ratioPerceptron:forward(input))。
