Neural network 我能'；我不明白为什么张量的大小不'；我不能和皮托克比赛 一些背景：
在过去的几个月里，我一直在学习人工智能和人工智能，最后我在学习神经网络。伟大的问题是，当我遵循教程时，一切似乎都正常，但当我尝试自己实现NN时，我总是面临与张量大小相关的问题 我似乎找到了其他问题的答案（），但他们面临的正是这篇文章的问题。我不是在寻找一个代码只是复制和粘贴。我想了解我为什么要面对这个问题，如何处理和避免它 错误消息： /home/devops/aic/venv/lib/python3.8/site packages/torch/nn/modules/loss.py:528:UserWarning:使用与输入大小（torch.size（[16,2]）不同的目标大小（torch.size（[9,2]）。这可能会由于广播而导致错误的结果。请确保尺寸相同 返回F.mse_损失（输入、目标、减少=自我减少） 回溯（最近一次呼叫最后一次）： 文件“nn_conv.py”，第195行，在Neural network 我能'；我不明白为什么张量的大小不'；我不能和皮托克比赛 一些背景：,neural-network,computer-vision,pytorch,conv-neural-network,artificial-intelligence,Neural Network,Computer Vision,Pytorch,Conv Neural Network,Artificial Intelligence,在过去的几个月里，我一直在学习人工智能和人工智能，最后我在学习神经网络。伟大的问题是，当我遵循教程时，一切似乎都正常，但当我尝试自己实现NN时，我总是面临与张量大小相关的问题 我似乎找到了其他问题的答案（），但他们面临的正是这篇文章的问题。我不是在寻找一个代码只是复制和粘贴。我想了解我为什么要面对这个问题，如何处理和避免它 错误消息： /home/devops/aic/venv/lib/python3.8/site packages/torch/nn/modules/loss.py:528:Us
loss = loss_function(outputs, targets)
result = self.forward(*input, **kwargs)
return F.mse_loss(input, target, reduction=self.reduction)
expanded_input, expanded_target = torch.broadcast_tensors(input, target)
return _VF.broadcast_tensors(tensors) # type: ignore
导入操作系统
进口cv2
将numpy作为np导入
从TQM导入TQM
将matplotlib.pyplot作为plt导入
进口火炬
导入torch.nn作为nn
导入torch.nn.功能为F
将torch.optim导入为optim
类DogsVSCats（）：
IMG_尺寸=50
猫='PetImages/Cat'
狗='小魔术师/狗'
标签={猫：0，狗：1}
培训数据=[]
猫的数量=0
狗的数量=0
def make_training_数据（自身）：
对于self.LABELS.keys（）中的标签：
对于tqdm（os.listdir（标签））中的f：
尝试：
path=os.path.join（标签，f）
#将图像转换为灰度
img=cv2.imread（路径）
如果img不是无：
高度、宽度=img.形状[：2]
如果宽度>高度：
高度=圆形（（高度*自身尺寸）/宽度）
宽度=self.IMG\u尺寸
右=0
底部=自身尺寸-高度
其他：
宽度=圆形（（宽度*自身尺寸）/高度）
高度=self.IMG\u尺寸
右=self.IMG\u尺寸-宽度
底部=0
img=cv2.cvt颜色（img，cv2.COLOR\u bgr2灰色）
img=cv2.CVT颜色（img，cv2.COLOR_GRAY2BGR）
img=cv2。调整大小（img，（宽度，高度））
img=cv2.copyMakeBorder（img，
top=0，
底部=底部，
左=0，
右=右，
borderType=cv2.BORDER（常数）
#将图像标签的一个热向量添加到self.training_数据中
self.training_data.append（[np.array（img），np.eye（len（self.LABELS））[self.LABELS[label]]））
如果标签==self.CATS：
self.cats_count+=1
elif标签==self.DOGS：
self.dogs_count+=1
除cv2.1外，错误为e：
通过
np.random.shuffle（自训练数据）
np.save（“小图像/训练数据.npy”，自我训练数据）
打印（“猫：”，self.Cats\u count）
打印（“狗：”，self.Dogs\u count）
training_data=np.load（'PetImages/training_data.npy'，allow_pickle=True）
plt.imsave（'PetImages/trained_example.png'，training_data[1][0]）
类RunningMetrics（）：
定义初始化（自）：
自和=0
自计数=0
定义呼叫（自我）：
返回自和/浮动（自计数）
def更新（自身、val、大小）：
自身._sum+=val
自身数量+=大小
类别网络（nn.模块）：
定义初始化（self，num通道，conv内核大小=3，跨步=1，填充=1，最大池内核大小=2）：
超级（网络，自我）。\uuuu初始化
self.\u num\u channels=num\u channels
self.\u max\u pool\u kernel\u size=max\u pool\u kernel\u size
self.conv1=nn.Conv2d（1，self.\u num\u通道，conv\u内核大小，步长，填充）
self.conv2=nn.Conv2d（self.\u num\u通道，self.\u num\u通道*2，conv\u内核大小，步幅，填充）
self.conv3=nn.Conv2d（self.\u num\u channels*2、self.\u num\u channels*4、conv\u内核大小、步幅、填充）
#计算第一次输入
self.fc1=nn.Linear（self.\u num\u channels*4*8*8，self.\u num\u channels*8）
self.fc2=nn.线性（self.\u num\u通道*8,2）
def前进（自身，x）：
#康
x=自转换1（x）
x=F.relu（F.max\u pool2d（x，self.\u max\u pool\u kernel\u size））
x=自我调节2（x）
x=F.relu（F.max\u pool2d（x，self.\u max\u pool\u kernel\u size））
x=自转换3（x）
x=F.relu（F.max\u pool2d（x，self.\u max\u pool\u kernel\u size））
#压扁
x=x.view（-1，自通道数*4*8*8）
#完全连接
x=自身.fc1（x）
x=F.relu（x）
x=自身.fc2（x）
#返回F.log\u softmax（x，dim=1）
返回F.softmax（x，dim=1）
def保存_模型（路径）：
火炬。保存（保存，路径）
def加载_模型（路径）：
self=火炬装载（路径）
running_acc.update(torch.sum(preds == targets).float(),