Python 如何调整与Pytork线性回归一起使用的一批图像的大小？

我试图创建一个简单的线性回归神经网络，用于批量图像。输入尺寸为

[BatchSize，3，Width，Height]

，第二个尺寸表示输入图像的RGB通道

以下是我对该回归模型的（失败的）尝试：

class LinearNet(torch.nn.Module):
    def __init__(self, Chn, W,H, nHidden):
        """
        Input: A [BatchSize x Channels x Width x Height] set of images
        Output: A fitted regression model with weights dimension : [Width x Height]
        """
        super(LinearNet, self).__init__()
        self.Chn = Chn
        self.W = W
        self.H = H
        self.hidden = torch.nn.Linear(Chn*W*H,nHidden)   # hidden layer
        self.predict = torch.nn.Linear(nHidden, Chn*W*H)   # output layer

    def forward(self, x):
        torch.reshape(x, (-1,self.Chn*self.W*self.H)) # FAILS here
        # x = x.resize(-1,self.Chn*self.W*self.H)  
        x = F.relu(self.hidden(x))      # activation function for hidden layer
        x = self.predict(x)             # linear output
        x = x.resize(-1,self.Chn, self.W,self.H)
        return x

当发送一批尺寸为

[128 x 3 x 96 x 128]

的图像时，在指示行上失败：

RuntimeError: mat1 and mat2 shapes cannot be multiplied (36864x128 and 36864x256)

为了使用这些pytorch函数，应如何正确地操纵矩阵尺寸

---

更新根据一条（删除后）注释，我已更新代码以使用

火炬。重塑

解决方案1作为一种可能的解决方案，您可以使用

x.shape[0]

从输入

x

获取批量大小，并在以后的重塑中使用它

import torch

batch = torch.zeros([128, 3, 96, 128], dtype=torch.float32)

# -1 will compute last dimension automatically
batch_upd = torch.reshape(batch, (batch.shape[0], -1))

print(batch_upd.shape)

此代码的输出为

torch.Size([128, 36864])

解决方案2 作为另一种可能的解决方案，您可以使用

将导致相同的输出

关于你的下一个问题，考虑修改过的<代码>前/代码>代码：

def forward(self, x):
    x = x.flatten(1)  # shape: [B, C, W, H] -> [B, C*W*H]
    x = F.relu(self.hidden(x))      # activation function for hidden layer
    x = self.predict(x)             # linear output
    x = x.reshape((-1, self.Chn, self.W, self.H)) # shape: [B, C*W*H] -> [B, C, W, H]
    return x

以下是成功使用的示例：

ln = LinearNet(3, 96, 128, 256)
batch = torch.zeros((128, 3, 96, 128))
res = ln(batch)
print(res.shape)  # torch.Size([128, 3, 96, 128])

---

解决方案1作为一种可能的解决方案，您可以使用

x.shape[0]

从输入

x

中获取批量大小，并在以后的重塑中使用它

import torch

batch = torch.zeros([128, 3, 96, 128], dtype=torch.float32)

# -1 will compute last dimension automatically
batch_upd = torch.reshape(batch, (batch.shape[0], -1))

print(batch_upd.shape)

此代码的输出为

torch.Size([128, 36864])

解决方案2 作为另一种可能的解决方案，您可以使用

将导致相同的输出

关于你的下一个问题，考虑修改过的<代码>前/代码>代码：

def forward(self, x):
    x = x.flatten(1)  # shape: [B, C, W, H] -> [B, C*W*H]
    x = F.relu(self.hidden(x))      # activation function for hidden layer
    x = self.predict(x)             # linear output
    x = x.reshape((-1, self.Chn, self.W, self.H)) # shape: [B, C*W*H] -> [B, C, W, H]
    return x

以下是成功使用的示例：

ln = LinearNet(3, 96, 128, 256)
batch = torch.zeros((128, 3, 96, 128))
res = ln(batch)
print(res.shape)  # torch.Size([128, 3, 96, 128])

---

错误是说您的x的大小为

128x396x128

，并且有

4718592

元素，但是，您试图将其仅转换为

36864

元素。您缺少

*128

。错误是您的x的大小为

128x396x128

，并且它有

4718592

元素，但是，您试图将其仅转换为

36864

元素。您缺少

*128

。

扁平化是否会导致上下文丢失？线性函数不应该将所有行压缩成一个大向量：它需要同时求解所有128行（批量大小）。
reformate（）
似乎是正确的：但它不同于
flatte
no？@StephenBoesch它看起来像
flatte
是在引擎盖下使用
reformate
实现的，您可以检查它。但是，如果您不确定，请随意使用普通重塑ofc。啊，我错过了
展平
的参数
（1）
使批次大小保持不变
展平
不会导致上下文丢失吗？线性函数不应该将所有行压缩成一个大向量：它需要同时求解所有128行（批量大小）。
reformate（）
似乎是正确的：但它不同于
flatte
no？@StephenBoesch它看起来像
flatte
是在引擎盖下使用
reformate
实现的，您可以检查它。但是，如果您不确定，请随意使用普通重塑ofc。啊，我错过了
展平
的参数
（1）
，该参数保持批量大小不变