Question

我正在使用models.vgg16(pretrained=True)模型进行图像分类，其中类别数= 3。

批处理大小为12 trainloader = torch.utils.data.DataLoader(train_data, batch_size=12, shuffle=True)，因为错误提示Target size (torch.Size([12])) must be the same as input size (torch.Size([12, 1000]))

我更改了最后一个fc层参数，并将最后一个FC层更改为Linear(in_features=1000, out_features=3, bias=True)

损失函数为BCEWithLogitsLoss()

criterion = nn.BCEWithLogitsLoss()
optimizer = optim.SGD(vgg16.parameters(), lr=0.001, momentum=0.9)

培训代码为

        # zero the parameter gradients
        optimizer.zero_grad()
        outputs = vgg16(inputs)               #----> forward pass
        loss = criterion(outputs, labels)   #----> compute loss #error occurs here
        loss.backward()                     #----> backward pass
        optimizer.step()                    #----> weights update

计算损失时，出现此错误Target size (torch.Size([12])) must be the same as input size (torch.Size([12, 1000]))

代码可在以下网址获得：code

Answer 1

尝试再次检查如何修改线性层。似乎该模型无法以某种方式向前传递。

您的模型输出每个样本有1000个输出大小，而应该有3个。这就是您无法评估损失的原因，因为您尝试将1000个类与3个进行比较。最后一层应该有3个输出，并且应该可以。

编辑

根据您在此处共享的代码：link，我认为有两个问题。

首先，您通过以下方式修改了模型：

# Load the pretrained model from pytorch
vgg16 = models.vgg16(pretrained=True)

vgg16.classifier[6].in_features = 1000
vgg16.classifier[6].out_features = 3

在这里所做的是在网络中添加一个图层作为属性，同时您还应该修改模型的forward()功能。在将输入向前传递时，将图层添加为列表中的属性不会应用该图层。

通常，正确执行此操作的方法是定义一个新类，该类继承自要实现的模型-class myvgg16(models.vgg16)，或更常见的是class myvgg(nn.Module)。您可以在以下link

中找到进一步的解释

如果失败，请尝试unsqueeze(1)目标大小（即lables变量）。这不太可能是导致错误的原因，但值得一试。

编辑

再次尝试将目标张量转换为一个热向量。并在BCELoss接收浮点时将张量类型更改为Float。

Answer 2

共享模型代码，这很容易调试。问题肯定出在您的最后一个完全连接的层中。大小不匹配清楚地表明，每12个图像（批处理大小）您将获得1000个功能，但是您有12个要比较的功能。

完全连接的层有问题。

使用它，您将解决问题-

vgg16 = models.vgg16(pretrained=True)

vgg16.classifier[6]= nn.Linear(4096, 3)

if __name__ == "__main__":
    from torchsummary import summary
    model = vgg16
    model = model.cuda()
    print(model)
    summary(model, input_size = (3,120,120))


----------------------------------------------------------------
        Layer (type)               Output Shape         Param #
================================================================
            Conv2d-1         [-1, 64, 120, 120]           1,792
              ReLU-2         [-1, 64, 120, 120]               0
            Conv2d-3         [-1, 64, 120, 120]          36,928
              ReLU-4         [-1, 64, 120, 120]               0
         MaxPool2d-5           [-1, 64, 60, 60]               0
            Conv2d-6          [-1, 128, 60, 60]          73,856
              ReLU-7          [-1, 128, 60, 60]               0
            Conv2d-8          [-1, 128, 60, 60]         147,584
              ReLU-9          [-1, 128, 60, 60]               0
        MaxPool2d-10          [-1, 128, 30, 30]               0
           Conv2d-11          [-1, 256, 30, 30]         295,168
             ReLU-12          [-1, 256, 30, 30]               0
           Conv2d-13          [-1, 256, 30, 30]         590,080
             ReLU-14          [-1, 256, 30, 30]               0
           Conv2d-15          [-1, 256, 30, 30]         590,080
             ReLU-16          [-1, 256, 30, 30]               0
        MaxPool2d-17          [-1, 256, 15, 15]               0
           Conv2d-18          [-1, 512, 15, 15]       1,180,160
             ReLU-19          [-1, 512, 15, 15]               0
           Conv2d-20          [-1, 512, 15, 15]       2,359,808
             ReLU-21          [-1, 512, 15, 15]               0
           Conv2d-22          [-1, 512, 15, 15]       2,359,808
             ReLU-23          [-1, 512, 15, 15]               0
        MaxPool2d-24            [-1, 512, 7, 7]               0
           Conv2d-25            [-1, 512, 7, 7]       2,359,808
             ReLU-26            [-1, 512, 7, 7]               0
           Conv2d-27            [-1, 512, 7, 7]       2,359,808
             ReLU-28            [-1, 512, 7, 7]               0
           Conv2d-29            [-1, 512, 7, 7]       2,359,808
             ReLU-30            [-1, 512, 7, 7]               0
        MaxPool2d-31            [-1, 512, 3, 3]               0
AdaptiveAvgPool2d-32            [-1, 512, 7, 7]               0
           Linear-33                 [-1, 4096]     102,764,544
             ReLU-34                 [-1, 4096]               0
          Dropout-35                 [-1, 4096]               0
           Linear-36                 [-1, 4096]      16,781,312
             ReLU-37                 [-1, 4096]               0
          Dropout-38                 [-1, 4096]               0
           Linear-39                    [-1, 3]          12,291
================================================================
Total params: 134,272,835
Trainable params: 134,272,835
Non-trainable params: 0
----------------------------------------------------------------
Input size (MB): 0.16
Forward/backward pass size (MB): 62.84
Params size (MB): 512.21
Estimated Total Size (MB): 575.21

目标大小（torch.Size（[12]））必须与输入大小（torch.Size（[12，1000]））相同

2 个答案: