Python 运行时错误：大小不匹配，m1:[32 x 1]，m2:[32 x 9]

我正在建立一个CNN，并训练它对字母a到I的手势分类（9类），每幅图像都是224x224大小的RGB

不确定我需要转换哪个矩阵以及如何转换。我已经设法匹配层的输入和输出，但是矩阵乘法的事情，不确定如何修复它

class LargeNet(nn.Module):
    def __init__(self):
        super(LargeNet, self).__init__()
        self.name = "large"
        self.conv1 = nn.Conv2d(3, 5, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(5, 10, 5)
        self.fc1 = nn.Linear(10 * 53 * 53, 32)
        self.fc2 = nn.Linear(32, 9)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        print('x1')
        x = self.pool(F.relu(self.conv2(x)))
        print('x2')
        x = x.view(-1, 10*53*53)
        print('x3')
        x = F.relu(self.fc1(x))
        print('x4')
        x = x.view(-1, 1)
        x = self.fc2(x)
        print('x5')
        x = x.squeeze(1) # Flatten to [batch_size]
        return x

及训练守则

#Loss and optimizer
criterion = nn.BCEWithLogitsLoss()
optimizer = optim.SGD(model2.parameters(), lr=learning_rate, momentum=0.9)

# Train the model
total_step = len(train_loader)
loss_list = []
acc_list = []
for epoch in range(num_epochs):
    for i, (images, labels) in enumerate(train_loader):
        print(i,images.size(),labels.size())
        # Run the forward pass
        outputs = model2(images)
        labels=labels.unsqueeze(1)
        labels=labels.float()
        loss = criterion(outputs, labels)

代码打印到x4，然后我得到这个错误运行时错误：大小不匹配，m1:[32 x 1]，m2:[32 x 9]位于C:\w\1\s\tmp\u conda\u 3.7\u 055457\conda\conda bld\pytorch\u 156541617654\work\aten\src\TH/generic/THTensorMath.cpp:752

---

完全回溯错误：

在

转发
函数中不需要
x=x.view（-1,1）
和
x=x.squence（1）
。拆下这两条线。您的输出形状将是
（批次大小，9）

此外，您需要将
标签
转换为一个热编码，其形状为
（批量大小，9）

类LargeNet（nn.模块）：
定义初始化（自）：
超级（LargeNet，self）。\uuuu init\uuuuu（）
self.name=“大”
self.conv1=nn.Conv2d（3,5,5）
self.pool=nn.MaxPool2d（2,2）
self.conv2=nn.Conv2d（5,10,5）
self.fc1=nn.线性（10*53*53,32）
self.fc2=nn.线性（32,9）
def前进（自身，x）：
x=自池（F.relu（self.conv1（x）））
x=自池（F.relu（self.conv2（x）））
x=x.view（-1,10*53*53）
x=F.relu（自fc1（x））
x=自身.fc2（x）
返回x
model2=LargeNet（）
#损失与优化
标准=nn.BCEWithLogitsLoss（）
#nn.BCELoss（）
optimizer=optim.SGD（model2.parameters（），lr=0.1，momentum=0.9）
images=torch.from_numpy（np.random.randn（2,3224224））.float（）#假图像，批量大小为2
标签=火炬张量（[1,2]）.long（）#假标签
输出=模型2（图像）
一个热标签=火炬眼（9）[标签]
损耗=标准（输出、一个热标签）
在
转发
功能中，您不需要
x=x.view（-1,1）
和
x=x.screek（1）
。拆下这两条线。您的输出形状将是
（批次大小，9）

此外，您需要将
标签
转换为一个热编码，其形状为
（批量大小，9）

类LargeNet（nn.模块）：
定义初始化（自）：
超级（LargeNet，self）。\uuuu init\uuuuu（）
self.name=“大”
self.conv1=nn.Conv2d（3,5,5）
self.pool=nn.MaxPool2d（2,2）
self.conv2=nn.Conv2d（5,10,5）
self.fc1=nn.线性（10*53*53,32）
self.fc2=nn.线性（32,9）
def前进（自身，x）：
x=自池（F.relu（self.conv1（x）））
x=自池（F.relu（self.conv2（x）））
x=x.view（-1,10*53*53）
x=F.relu（自fc1（x））
x=自身.fc2（x）
返回x
model2=LargeNet（）
#损失与优化
标准=nn.BCEWithLogitsLoss（）
#nn.BCELoss（）
optimizer=optim.SGD（model2.parameters（），lr=0.1，momentum=0.9）
images=torch.from_numpy（np.random.randn（2,3224224））.float（）#假图像，批量大小为2
标签=火炬张量（[1,2]）.long（）#假标签
输出=模型2（图像）
一个热标签=火炬眼（9）[标签]
损耗=标准（输出、一个热标签）
请显示完整的错误回溯。@ba_ul链接到完整的错误回溯您的输入大小是多少？为什么有
x=x.view（-1，1）
这行？@zihao-zhao输入大小是RGB方形图片3通道，224 x 224像素请显示完整的错误回溯。@完全错误回溯的链接您的输入大小是多少？为什么有
x=x.view（-1，1）
这行？@zihaozhihao输入大小是RGB方形图片3个通道，224 x 224像素，可以使代码更动态，我正在考虑创建一个将批大小作为参数传递的函数，唯一需要的更改是images=torch.from_numpy（np.random.randn（batch_size，3224224））.float（）和labels=torch.tensor（[1，batch_size]）.long（）？@megazord您想在培训期间更改批大小吗？培训前，我想在一个小数据集上测试我的代码，然后在一个更大的数据集上测试我的代码，这将要求我使用更大的批处理大小并测试不同的批处理大小，以查看最佳的批处理大小。@megazord，我明白了，是的，你可以按照你说的做。谢谢，它很有效，使代码更具动态性，我正在考虑创建一个将批大小作为参数传递的函数，唯一需要的更改是images=torch.from_numpy（np.random.randn（batch_size，3224224））.float（）和labels=torch.tensor（[1，batch_size]）.long（）？@megazord您想在培训期间更改批大小吗？培训前，我想在一个小的数据集上测试我的代码，然后在一个更大的数据集上测试我的代码，这将要求我使用更大的批处理大小，并测试不同的批处理大小，以查看最佳的批处理大小。@megazord，我明白了，是的，你可以按照你说的做。