Блог

Главная - Вопросы по программированию - `*** Ошибка выполнения: mat1 dim 1 должен соответствовать mat2 dim 0` всякий раз, когда я запускаю модель (изображения)

`*** Ошибка выполнения: mat1 dim 1 должен соответствовать mat2 dim 0` всякий раз, когда я запускаю модель (изображения)

#pytorch #conv-neural-network

#pytorch #conv-нейронная сеть

Вопрос:

     def __init__(self):
        super().__init__()

        self.conv = nn.Sequential(
            nn.Conv2d(1, 64, kernel_size=5, stride=2, bias=False),
            nn.BatchNorm2d(64),
            nn.ReLU(),

            nn.Conv2d(64, 64, kernel_size=3, stride=2, bias=False),
            nn.BatchNorm2d(64),
            nn.ReLU(),
            
            nn.Conv2d(64, 64, kernel_size=3, stride=2, bias=False),
            nn.BatchNorm2d(64),
  
        )

Как я могу справиться с этой ошибкой? Я думаю, что ошибка связана с self.fc, но я не могу сказать, как это исправить.

Ответ №1:

Результат self.conv(x) имеет форму torch.Size([32, 64, 2, 2]) : 32*64*2*2= 8192 (это эквивалентно ( self.conv_out_size ) . Ввод в полностью подключенный слой ожидает одномерный вектор, т.Е. Вам нужно сгладить его перед переходом к полностью подключенному слою в прямой функции.

т. е.

 class Network():
    ...
    def foward():
    ...
        conv_out = self.conv(x)
        print(conv_out.shape)
        conv_out = conv_out.view(-1, 32*64*2*2)
        print(conv_out.shape)
        x = self.fc(conv_out)
        return x

вывод

 torch.Size([32, 64, 2, 2])
torch.Size([1, 8192])

Редактировать:

Я думаю, вы неправильно используете self._get_conv_out функцию.

Это должно быть

     def _get_conv_out(self, shape):
        output = self.conv(torch.zeros(1, *shape)) # not (32, *size)
        return int(numpy.prod(output.size()))

затем, в прямом проходе, вы можете использовать

         conv_out = self.conv(x)
        # flatten the output of conv layers
        conv_out = conv_out.view(conv_out.size(0), -1)
        x = self.fc(conv_out)

Для ввода (32, 1, 110, 110) вывода должно быть torch.Size([32, 2]) .

Комментарии:

1. после выравнивания он должен работать нормально, каков размер ввода (я предположил, что это 32, 1, 110, 110)?

2. он работает в Google colab (torch 1.7.0), я не уверен, почему он не работает в вашей системе.

3. Хорошо, теперь я понял!

4. входная форма (32, 1, 110, 110) имеет тензор, который вы передаете модели, верно? соответствует (batch_size, канал, высота, ширина)

5. редактирование, которое я сделал, может обрабатывать любой размер пакета: 1) измените функцию _get_conv_out и 2) сгладьте в прямой функции с помощью (conv_out.size(0), -1) .

Ответ №2:

У меня была такая же проблема, однако я решил ее, используя пакет из 32 и размер тензора [3, 32, 32] для моих изображений и следующих конфигураций в моей модели. Я использую ResNet с 9 CNN и ищу 4 выхода.

 transform = transforms.Compose([transforms.Resize((32, 32)), transforms.ToTensor()])

def conv_block(in_channels, out_channels, pool=False):
    layers = [nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1), 
              nn.BatchNorm2d(out_channels), 
              nn.ReLU(inplace=True)]
    if pool: layers.append(nn.MaxPool2d(2))
    return nn.Sequential(*layers)
class ResNet9(ImageClassificationBase):
    def __init__(self, in_channels, num_classes):
        super().__init__()
        
        self.conv1 = conv_block(in_channels, 64)
        self.conv2 = conv_block(64, 128, pool=True)
        self.res1 = nn.Sequential(conv_block(128, 128), conv_block(128, 128))
        
        self.conv3 = conv_block(128, 256, pool=True)
        self.conv4 = conv_block(256, 512, pool=True)
        self.res2 = nn.Sequential(conv_block(512, 512), conv_block(512, 512))
        
        self.classifier = nn.Sequential(nn.MaxPool2d(4), 
                                        nn.Flatten(), 
                                        nn.Dropout(0.2),
                                        nn.Linear(512, num_classes))    
    def forward(self, xb):
        out = self.conv1(xb)
        out = self.conv2(out)
        out = self.res1(out)   out
        out = self.conv3(out)
        out = self.conv4(out)
        out = self.res2(out)   out
        out = self.classifier(out)
        return out