Ошибка времени выполнения: несоответствие размера, м1: [32 х 1], м2: [32 х 9] - PullRequest
Новая
       35

Ошибка времени выполнения: несоответствие размера, м1: [32 х 1], м2: [32 х 9]

0 голосов
/ 14 октября 2019

Я строю CNN и обучаю его классификации жестов жестов для букв от A до I (9 классов), каждое изображение имеет формат RGB с размером 224x224.

Не уверен, какую матрицу мне нужно транспонировать, икак. Мне удалось сопоставить входы и выходы слоев, но это умножение матриц, не совсем уверен, как это исправить. 

class LargeNet(nn.Module):
    def __init__(self):
        super(LargeNet, self).__init__()
        self.name = "large"
        self.conv1 = nn.Conv2d(3, 5, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(5, 10, 5)
        self.fc1 = nn.Linear(10 * 53 * 53, 32)
        self.fc2 = nn.Linear(32, 9)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        print('x1')
        x = self.pool(F.relu(self.conv2(x)))
        print('x2')
        x = x.view(-1, 10*53*53)
        print('x3')
        x = F.relu(self.fc1(x))
        print('x4')
        x = x.view(-1, 1)
        x = self.fc2(x)
        print('x5')
        x = x.squeeze(1) # Flatten to [batch_size]
        return x

и обучающий код 

#Loss and optimizer
criterion = nn.BCEWithLogitsLoss()
optimizer = optim.SGD(model2.parameters(), lr=learning_rate, momentum=0.9)

# Train the model
total_step = len(train_loader)
loss_list = []
acc_list = []
for epoch in range(num_epochs):
    for i, (images, labels) in enumerate(train_loader):
        print(i,images.size(),labels.size())
        # Run the forward pass
        outputs = model2(images)
        labels=labels.unsqueeze(1)
        labels=labels.float()
        loss = criterion(outputs, labels)

Код печатаетдо x4, а затем я получаю эту ошибку RuntimeError: несоответствие размера, m1: [32 x 1], m2: [32 x 9] в C: \ w \ 1 \ s \ tmp_conda_3.7_055457 \ conda \ conda-bld \ pytorch_1565416617654\ work \ aten \ src \ TH / generic / THTensorMath.cpp: 752

Полная ошибка трассировки: https://ibb.co/ykqy5wM

1 Ответ

2 голосов
/ 14 октября 2019

Вам не нужны x=x.view(-1,1) и x = x.squeeze(1) в вашей функции forward. Удалите эти две строки. Ваша выходная форма будет (batch_size, 9).

. Кроме того, вам необходимо преобразовать labels в однократное кодирование, которое имеет форму (batch_size, 9). 

class LargeNet(nn.Module):
    def __init__(self):
        super(LargeNet, self).__init__()
        self.name = "large"
        self.conv1 = nn.Conv2d(3, 5, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(5, 10, 5)
        self.fc1 = nn.Linear(10 * 53 * 53, 32)
        self.fc2 = nn.Linear(32, 9)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 10*53*53)
        x = F.relu(self.fc1(x))
        x = self.fc2(x)
        return x

model2 = LargeNet()
#Loss and optimizer
criterion = nn.BCEWithLogitsLoss()
# nn.BCELoss()
optimizer = optim.SGD(model2.parameters(), lr=0.1, momentum=0.9)

images = torch.from_numpy(np.random.randn(2,3,224,224)).float() # fake images, batch_size is 2
labels = torch.tensor([1,2]).long() # fake labels

outputs = model2(images)
one_hot_labels = torch.eye(9)[labels] 
loss = criterion(outputs, one_hot_labels)
...