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。我真的不确定我是否正确使用了卷积神经网络，因为当我通过以下方式训练我的输入时，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：
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)
我会得到16层地图，每个地图的尺寸为（48-5 + 1）
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)
我会得到84个神经元
然后，如果我要通过它：
self.fc3 = nn.Linear(84, 3)
我会得到3个输出，这是完美的，因为我有3类标签。但是正如我之前所说，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)
最佳答案
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个贴图。
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。要通过不合并来解决问题，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)