在卷积神经网络中设置层的维度

Question

假设我有 4 个批次的 3x100x100 图像作为输入，并且我正在尝试使用 pytorch 制作我的第一个卷积神经网络。我真的不确定我的卷积神经网络是否正确，因为当我通过以下安排训练我的输入时，我遇到了错误：

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

以下是我的转发nnet：

那么如果我要通过它：

nn.Conv2d(3, 6, 5)

我会得到 6 层地图，每层都有尺寸（100-5+1）。

那么如果我要通过它：

nn.MaxPool2d(2, 2)

我会得到 6 层地图，每层都有尺寸 (96/2)

然后，如果我要通过它：

nn.Conv2d(6, 16, 5)

我会得到 16 层地图，每层都有尺寸 (48-5+1)

那么如果我要通过它：

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

我会得到 120 个神经元

那么如果我要通过它：

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

我会得到 84 个神经元

那么如果我要通过它：

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

我会得到 3 个输出，这将是完美的，因为我有 3 类标签。但正如我之前所说，这会导致一个非常令人惊讶的错误，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

你的理解是正确的，非常详细。但是，您使用了两个池化层（请参阅下面的相关代码）。所以第二步之后的输出将是16个44/2=22维度的地图。x = self.pool(F.relu(self.conv1(x)))x = self.pool(F.relu(self.conv2(x)))要解决此问题，要么不池化，要么将全连接层的维度更改为22*22*16。要通过不池化来修复，请修改您的转发功能，如下所示。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维度来修复，请更改网络的声明如下。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)