Question

说我有4批输入的3x100x100图像作为输入，我正在尝试用pytorch制作我的第一个卷积神经网络。我真的不确定是否可以正确使用卷积神经网络，因为当我通过以下方式训练输入时，我会遇到错误：

Expected input batch_size (1) to match target batch_size (4).

以下是我的转发nnet：

然后如果我要通过它：

nn.Conv2d(3, 6, 5)

我会得到6层地图，每个地图的尺寸为（100-5 + 1）。

然后如果我要通过它：

nn.MaxPool2d(2, 2)

我会得到6层地图，每个地图的尺寸为（96/2）

然后，如果我要通过它：

nn.Conv2d(6, 16, 5)

我将获得16层尺寸为（48-5 + 1）的地图

然后如果我要通过它：

self.fc1 = nn.Linear(44*44*16, 120)

我会得到120个神经元

然后如果我要通过它：

self.fc2 = nn.Linear(120, 84)

我将获得84个神经元

然后如果我要通过它：

self.fc3 = nn.Linear(84, 3)

我将获得3个输出，这是完美的，因为我有3类标签。但是，正如我之前说的那样，这会导致错误，这确实令人惊讶，因为这对我来说很有意义。

完整的神经网络代码：

import torch.nn as nn
import torch.nn.functional as F


class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(44*44*16, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 3)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 *44*44)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x


net = Net()
net.to(device)

Answer 1

您的理解是正确且非常详细的。

但是，您已经使用了两个池化层（请参见下面的相关代码）。因此，第二步之后的输出将是具有44/2=22维的16张地图。

x = self.pool(F.relu(self.conv1(x)))
x = self.pool(F.relu(self.conv2(x)))

要解决此问题，请不要合并或将完全连接的图层的尺寸更改为22*22*16。

要通过不合并解决此问题，请按以下说明修改转发功能。

def forward(self, x):
    x = self.pool(F.relu(self.conv1(x)))
    x = F.relu(self.conv2(x))
    x = x.view(-1, 16 *44*44)
    x = F.relu(self.fc1(x))
    x = F.relu(self.fc2(x))
    x = self.fc3(x)
    return x

要通过更改全连接层的尺寸进行修复，请如下更改网络声明。

def __init__(self):
    super(Net, self).__init__()
    self.conv1 = nn.Conv2d(3, 6, 5)
    self.pool = nn.MaxPool2d(2, 2)
    self.conv2 = nn.Conv2d(6, 16, 5)
    self.fc1 = nn.Linear(22*22*16, 120)
    self.fc2 = nn.Linear(120, 84)
    self.fc3 = nn.Linear(84, 10)

在卷积神经网络中设置层的尺寸

1 个答案: