假设我有3x100x100个图像,一批4个作为输入,我试图用Pythorch建立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).
以下是我的未来网络:
如果我能通过它:
nn.Conv2d(3, 6, 5)
我会得到6层地图,每层都有维度(100-5+1)。在
如果我能通过它:
^{pr2}$我会得到6层地图,每层都有维度(96/2)
如果我能通过它:
nn.Conv2d(6, 16, 5)
我会得到16层地图,每层都有维度(48-5+1)
如果我能通过它:
self.fc1 = nn.Linear(44*44*16, 120)
我会得到120个神经元
如果我能通过它:
self.fc2 = nn.Linear(120, 84)
我会得到84个神经元
如果我能通过它:
self.fc3 = nn.Linear(84, 3)
我会得到3个输出,这将是完美的,因为我有3类标签。但正如我之前所说,这会导致一个错误,这真的很令人惊讶,因为这对我来说很有意义。在
完整的神经网络代码:
import torch.nn as nn
import torch.nn.functional as F
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(3, 6, 5)
self.pool = nn.MaxPool2d(2, 2)
self.conv2 = nn.Conv2d(6, 16, 5)
self.fc1 = nn.Linear(44*44*16, 120)
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 3)
def forward(self, x):
x = self.pool(F.relu(self.conv1(x)))
x = self.pool(F.relu(self.conv2(x)))
x = x.view(-1, 16 *44*44)
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
net = Net()
net.to(device)
你的理解是正确的,而且非常详细。在
但是,您使用了两个池层(请参阅下面的相关代码)。所以第二步之后的输出将是16个
44/2=22
维的映射。在若要解决此问题,请将非池或将完全连接层的维度更改为
22*22*16
。在要通过不合并来修复,请修改您的转发函数,如下所示。在
^{pr2}$要通过更改完全连接层的尺寸来修复,请更改网络声明,如下所示。在
相关问题 更多 >
编程相关推荐