PyTorch - 运行时错误：形状“[16, 400]”对于大小 9600 的输入无效

Question

我正在尝试构建 CNN，但出现此错误：

---> 52         x = x.view(x.size(0), 5 * 5 * 16)
RuntimeError: shape '[16, 400]' is invalid for input of size 9600

我不清楚“x.view”行的输入应该是什么。另外，我真的不明白我的代码中应该有多少次这个“x.view”函数。是不是只有一次，在 3 个卷积层和 2 个线性层之后？还是5次，每层一次？

这是我的 CNN 代码：

import torch.nn.functional as F

# Convolutional neural network
class ConvNet(nn.Module):
    
    def __init__(self, num_classes=10):
        super(ConvNet, self).__init__()

        self.conv1 = nn.Conv2d(
            in_channels=3, 
            out_channels=16, 
            kernel_size=3)
        
        self.conv2 = nn.Conv2d(
            in_channels=16, 
            out_channels=24, 
            kernel_size=4)

        self.conv3 = nn.Conv2d(
            in_channels=24, 
            out_channels=32, 
            kernel_size=4)
        
        self.dropout = nn.Dropout2d(p=0.3)

        self.pool = nn.MaxPool2d(2)
        
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(512, 10)

        self.final = nn.Softmax(dim=1)
        
    def forward(self, x):

        print('shape 0 ' + str(x.shape))

        x = F.max_pool2d(F.relu(self.conv1(x)), 2)  
        x = self.dropout(x)

        print('shape 1 ' + str(x.shape))

        x = F.max_pool2d(F.relu(self.conv2(x)), 2)  
        x = self.dropout(x)

        print('shape 2 ' + str(x.shape))

        # x = F.max_pool2d(F.relu(self.conv3(x)), 2)  
        # x = self.dropout(x)

        x = F.interpolate(x, size=(5, 5))  
        x = x.view(x.size(0), 5 * 5 * 16)

        x = self.fc1(x) 

        return x

net = ConvNet()

有人可以帮助我理解这个问题吗？

x.shape

的输出为：

形状 0 火炬.Size([16, 3, 256, 256])

形状 1 火炬.Size([16, 16, 127, 127])

形状 2 火炬.Size([16, 24, 62, 62])

谢谢。

Answer 1

这意味着通道和空间维度的乘积不是

5*5*16

。要展平张量，请将

x = x.view(x.size(0), 5 * 5 * 16)

替换为：

x = x.view(x.size(0), -1)

Answer 2

我在下面遇到了同样的错误：

运行时错误：形状“[3, 3]”对于大小 6 的输入无效

当我尝试使用

view()

与

2x3(6)

重塑 3x3(9) 的张量时，如下所示：

import torch

my_tensor = torch.tensor([[0, 1, 2], [3, 4, 5]])

my_tensor.view(3, 3) # Error

所以，我用

2x3(6)

、

1x6(6)

、

2x3(6)

或

3x2(6)

用

6x1(6)

重塑

view()

的张量，然后我可以得到如下所示的结果。 *重塑张量的元素总数必须与原始张量匹配：

import torch

my_tensor = torch.tensor([[0, 1, 2], [3, 4, 5]])

my_tensor.view(1, 6) # tensor([[0, 1, 2, 3, 4, 5]])
my_tensor.view(2, 3) # tensor([[0, 1, 2], [3, 4, 5]])
my_tensor.view(3, 2) # tensor([[0, 1], [2, 3], [4, 5]])
my_tensor.view(6, 1) # tensor([[0], [1], [2], [3], [4], [5]])