#python #deep-learning #neural-network #pytorch #conv-neural-network
Вопрос:
Я изменил VGG16 в pytorch, чтобы вставлять такие вещи, как BN и выпадение, в экстрактор функций. Случайно я теперь заметил кое-что странное, когда изменил определение прямого метода с:
def forward(self, x):
x = self.model(x)
return x
Для:
def forward(self, x):
x = self.model.features(x)
x = self.model.avgpool(x)
x = self.model.classifier(x)
return x
Во втором методе я теперь получаю ошибку, что размеры матриц не совпадают
( mat1 dim 1 must match mat2 dim 0
)
Ниже приведен весь код отредактированной версии VGG, которую я использовал.
class Vgg(nn.Module):
def __init__(self, n_classes, bias= None, dropout = 0.3):
super().__init__()
self.model = models.vgg16()
#self.bn64 = nn.BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
#self.bn128 = nn.BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
#self.bn256 = nn.BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
#self.bn512 = nn.BatchNorm2d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
# change to allow 4 channels input
self.model.features[0] = nn.Conv2d(4, 64, kernel_size=(7, 7), stride=(2, 2), padding=(3, 3))
# remove/edit some of the first layers to make it more similar to Resnet
del self.model.features[2]
del self.model.features[2]
del self.model.features[-1]
self.model.features[2] = nn.MaxPool2d(kernel_size=3, stride=2, padding=1, dilation=1, ceil_mode=False)
# add dropout
for m in self.model.modules():
if isinstance(m, nn.Dropout):
m.p = dropout
else:
pass
self.dropout = nn.Dropout(p=dropout)
self.r = nn.ReLU(inplace=True)
modules = nn.Sequential(*[self.model.features[0],
#self.bn64,
self.model.features[1:3],
#self.bn64,
self.model.features[3:5],
#self.dropout,
self.model.features[5],
#self.bn128,
self.model.features[6:8],
#self.bn128,
self.model.features[8:10],
#self.dropout,
self.model.features[10],
#self.bn256,
self.model.features[11:13],
#self.bn256,
self.model.features[13:15],
#self.bn256,
self.model.features[15:17],
#self.dropout,
self.model.features[17],
#self.bn512,
self.model.features[18:20],
#self.bn512,
self.model.features[20:22],
#self.bn512,
self.model.features[22:24],
#self.dropout,
self.model.features[24],
#self.bn512,
self.model.features[25:27],
#self.bn512,
self.model.features[27:29],
#self.bn512,
#self.dropout
nn.MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
])
self.model.features = modules
# change the pooling layer
self.model.avgpool = nn.AdaptiveAvgPool2d(output_size=(1, 1))
# set output to correct num classes
self.model.classifier = nn.Linear(in_features=512, out_features=n_classes, bias=True)
# use predefined bias
if bias is not None:
assert isinstance(bias, torch.Tensor), 'bias must be tensor'
self.model.classifier.bias = nn.Parameter(bias)
def forward(self, x):
x = self.model.features(x)
x = self.model.avgpool(x)
x = self.model.classifier(x)
return x
Я знаю, что это очень некрасиво и банально выглядит. Я попытался переписать его, но переписанная версия тоже по какой-то причине не работает, и я предполагаю, что эта текущая проблема также связана с этим. Я думаю, что входные данные поступают не через прямой метод, как я думаю. Мое предположение состоит в том, что вызов x = self.model(x)
не запускает » x » через все отредактированные слои, которые я создал, иначе я бы получил то же поведение с двумя версиями метода forward, приведенными выше. Но тогда мой вопрос в том, что происходит, когда я звоню self.model(x)
вперед? Это запуск ввода через оригинальный vgg16 от pytorch? Потому что, когда я печатаю self.model
в своей консоли, она показывает изменения, которые я внес в архитектуру self.model.features
, а также self.model.avgpool
и self.model.classifier
.
Edit:
Below is the entire trace of the error. Some extra information. t
is a class I made to deal with the training steps (so looping through training and validation modes, ect)
---------------------------------------------------------------------------
RuntimeError Traceback (most recent call last)
<ipython-input-7-0b3983ae9702> in <module>
77 print_cl_met = True
78 )
---> 79 model = t.run()
80 t.save_to_json()
81 print(np.max(np.array(t.f1_tracker)))
/home/stevea/treesat/TreeSat/TreeSat/trainers/basetrainer.py in run(self)
342 for phase in ['training', 'testing']:
343 self.phase = phase
--> 344 self.model_mode()
345
346 if self.phase == 'testing':
/home/stevea/treesat/TreeSat/TreeSat/trainers/basetrainer.py in model_mode(self)
154 if self.phase == 'training':
155 print('*********TRAINING PHASE*********')
--> 156 self.trainModel()
157 else:
158 print('*********VALIDATION PHASE*********')
/home/stevea/treesat/TreeSat/TreeSat/trainers/basetrainer.py in trainModel(self)
234 # loop through all batches to perform an epoch
235 for loaded in self.loaders[self.phase]:
--> 236 epoch_loss = self.train_step(loaded, epoch_loss)
237
238 mean_loss = np.mean(np.array(epoch_loss))
/home/stevea/treesat/TreeSat/TreeSat/trainers/basetrainer.py in train_step(self, loaded, epoch_loss)
262
263 # process batch through network
--> 264 self.out = self.model(self.img_batch.float())
265
266 # get loss value
/usr/local/lib/python3.6/dist-packages/torch/nn/modules/module.py in _call_impl(self, *input, **kwargs)
887 result = self._slow_forward(*input, **kwargs)
888 else:
--> 889 result = self.forward(*input, **kwargs)
890 for hook in itertools.chain(
891 _global_forward_hooks.values(),
/home/stevea/treesat/TreeSat/TreeSat/models/vgg.py in forward(self, x)
143 x = self.model.features(x)
144 x = self.model.avgpool(x)
--> 145 x = self.model.classifier(x)
146 return x
147
/usr/local/lib/python3.6/dist-packages/torch/nn/modules/module.py in _call_impl(self, *input, **kwargs)
887 result = self._slow_forward(*input, **kwargs)
888 else:
--> 889 result = self.forward(*input, **kwargs)
890 for hook in itertools.chain(
891 _global_forward_hooks.values(),
/usr/local/lib/python3.6/dist-packages/torch/nn/modules/linear.py in forward(self, input)
92
93 def forward(self, input: Tensor) -> Tensor:
---> 94 return F.linear(input, self.weight, self.bias)
95
96 def extra_repr(self) -> str:
/usr/local/lib/python3.6/dist-packages/torch/nn/functional.py in linear(input, weight, bias)
1751 if has_torch_function_variadic(input, weight):
1752 return handle_torch_function(linear, (input, weight), input, weight, bias=bias)
-> 1753 return torch._C._nn.linear(input, weight, bias)
1754
1755
RuntimeError: mat1 dim 1 must match mat2 dim 0
Я также пытался распечатать форму x на каждом шаге прямого метода:
def forward(self, x):
x = self.model.features(x)
print(x.shape)
x = self.model.avgpool(x)
print(x.shape)
x = self.model.classifier(x)
print(x.shape)
return x
И это показывает мне, что формы кажутся прекрасными, так как классификатор должен учитывать 512 функций:
torch.Size([64, 512, 4, 4])
torch.Size([64, 512, 1, 1])
Комментарии:
1. можете ли вы добавить в сообщение точное сообщение об ошибке трассировку стека?
2. Хорошо, я добавил правку, и я также думаю, что знаю, почему возникает ошибка (я думаю, что мне нужно сгладить
x
ее перед переходом наLinear
слой? Но это все еще не совсем проясняет, что происходит, когда я использую первый прямой метод, когда я только вызываюself.model(x)
. Это просто игнорирует все мои правки, когда я делаю это, и запускаю ввод через ванильный vgg16 из pytorch?3. На самом деле нет, я попытался добавить выравнивание, но ошибка остается:
RuntimeError: mat1 and mat2 shapes cannot be multiplied (1x32768 and 512x2)
Ответ №1:
Я не могу запустить ваш код, но я считаю, что проблема в том, что линейные слои ожидают ввода 2d-данных (поскольку на самом деле это матричное умножение), в то время как вы предоставляете ввод 4d (с затемнениями 2 и 3 размера 1).
Пожалуйста, попробуйте сжать
def forward(self, x):
x = self.model.features(x)
x = self.model.avgpool(x)
x = torch.squeeze(x)
x = self.model.classifier(x)
return x
Для получения менее хакерского кода в части сжатия см. раздел torch einops.
Комментарии:
1. Да, это сработало. Спасибо! Тем не менее, я все еще нахожу немного странным, что, когда я позвонил в self.model(x), эта проблема не возникла.
2.
vgg16
вперед-это нормально, этоVgg
вперед, что было проблематично (и вызываетvgg16
внутри.