如何在 pytorch nn.module 中设置图层的值？

Question

我有一个模型，我正在尝试使用它。我正在解决这些错误，但现在我认为它已经归结为我层中的值。我收到此错误：

RuntimeError: Given groups=1, weight of size 24 1 3 3, expected input[512, 50, 50, 3] to have 1 channels, 

but got 50 channels instead

我的参数是：

LR = 5e-2

N_EPOCHS = 30

BATCH_SIZE = 512

DROPOUT = 0.5

我的图像信息是：

depth=24

channels=3

original height = 1600

original width = 1200

resized to 50x50

这是我的数据的大小：

Train shape (743, 50, 50, 3) (743, 7)

Test shape (186, 50, 50, 3) (186, 7)

Train pixels 0 255 188.12228712427097 61.49539262385051

Test pixels 0 255 189.35559211469533 60.688278787628775

我在这里试图了解每一层的期望值，但是当我在这里输入它所说的内容时，https://towardsdatascience.com/pytorch-layer-dimensions-what-sizes-should-they-be-and-为什么-4265a41e01fd，它给了我关于错误通道和内核的错误。

我发现 torch_summary 让我对输出有更多的了解，但它只会提出更多的问题。

这是我的 torch_summary 代码：

from torchvision import models

from torchsummary import summary

import torch

import torch.nn as nn

class CNN(nn.Module):

    def __init__(self):

        super(CNN, self).__init__()

        self.conv1 = nn.Conv2d(1,24, kernel_size=5)  # output (n_examples, 16, 26, 26)

        self.convnorm1 = nn.BatchNorm2d(24) # channels from prev layer

        self.pool1 = nn.MaxPool2d((2, 2))  # output (n_examples, 16, 13, 13)

        self.conv2 = nn.Conv2d(24,48,kernel_size=5)  # output (n_examples, 32, 11, 11)

        self.convnorm2 = nn.BatchNorm2d(48) # 2*channels?

        self.pool2 = nn.AvgPool2d((2, 2))  # output (n_examples, 32, 5, 5)

        self.linear1 = nn.Linear(400,120)  # input will be flattened to (n_examples, 32 * 5 * 5)

        self.linear1_bn = nn.BatchNorm1d(400) # features?

        self.drop = nn.Dropout(DROPOUT)

        self.linear2 = nn.Linear(400, 10)

        self.act = torch.relu

Answer 1

看来您输入x张量轴的顺序错误。正如您在输入中看到的，必须是doc Conv2d(N, C, H, W)N是批量大小，C表示通道数，H是以像素为单位的输入平面的高度，以像素为单位W的宽度。因此，为了正确使用torch.permute前传中的交换轴。...def forward(self, x):    x = x.permute(0, 3, 1, 2)    ...    ...    return self.linear2(x)...示例permute：t = torch.rand(512, 50, 50, 3)t.size()torch.Size([512, 50, 50, 3])t = t.permute(0, 3, 1, 2)t.size()torch.Size([512, 3, 50, 50])