Python 使用Pytorch与CNN的线性回归：输入和目标形状不匹配：输入[400 x 1]，目标[200 x 1]

让我先解释一下目的。假设我有1000张图片，每张图片都有一个相关的质量分数[在0-10范围内]。现在，我正在尝试使用CNN和回归（在PyTorch中）进行图像质量评估。我已将图像分割为大小相同的补丁。现在，为了进行线性回归，我创建了一个CNN网络

代码如下：

class MultiLabelNN(nn.Module):
    def __init__(self):
        super(MultiLabelNN, self).__init__()
        self.conv1 = nn.Conv2d(1, 32, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(32, 64, 5)
        self.fc1 = nn.Linear(3200,1024)
        self.fc2 = nn.Linear(1024, 512)
        self.fc3 = nn.Linear(512, 1)

    def forward(self, x):
        x = self.conv1(x)
        x = F.relu(x)
        x = self.pool(x)
        x = self.conv2(x)
        x = F.relu(x)
        x = x.view(-1, 3200)
        x = self.fc1(x)
        x = F.relu(x)
        x = self.fc2(x)
        x = F.relu(x)
        x = self.fc3(x)
        return x  

运行此网络代码时，我遇到以下错误

输入和目标形状不匹配：输入[400 x 1]，目标[200 x 1]

目标形状是[200x1]，因为我采用了200的批量大小。我发现了一个解决方案，如果我将“self.fc1=nn.Linear（3200124）”和“x=x.view（-13200）”从3200改为6400，我的代码运行时不会出现任何错误

类似地，它将抛出一个错误输入，并且目标形状不匹配：如果我输入12800而不是6400，则输入[100 x 1]，目标[200 x 1]

现在我的疑问是我无法理解这背后的原因。如果我将200张图像作为网络的输入，那么当我从卷积层移动到完全连接层时，为什么在更改参数时输入形状会受到影响。我希望我已经清楚地提到了我的怀疑。即使我有任何疑问，请问我。这将是一个很大的帮助。提前谢谢

class MultiLabelNN(nn.Module):
    def __init__(self):
        super(MultiLabelNN, self).__init__()
        self.conv1 = nn.Conv2d(1, 32, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(32, 64, 5)
        self.fc1 = nn.Linear(6400,1024)
        self.fc2 = nn.Linear(1024, 512)
        self.fc3 = nn.Linear(512, 1)

   def forward(self, x):
       #shape of x is (b_s, 32,32,1)
       x = self.conv1(x) #shape of x is (b_s, 28,28,132)
       x = F.relu(x)
       x = self.pool(x) #shape of x now becomes (b_s X 14 x 14 x 32)
       x = self.conv2(x) # shape(b_s, 10x10x64)
       x = F.relu(x)#size is (b_s x 10 x 10 x 64)
       x = x.view(-1, 3200) # shape of x is now(b_s*2, 3200)
       #this is the problem 
       #you can fc1 to be of shape (6400,1024) and that will work 
       x = self.fc1(x)
       x = F.relu(x)
       x = self.fc2(x)
       x = F.relu(x)
       x = self.fc3(x)
       return x  

---

我认为这应该行得通。如果仍有一些错误，请告诉我。

您能告诉我们第一个错误发生的行号吗。另外，请以表格（批次尺寸x高度x宽度x数量x通道）的形式向我们提供输入的形状，以便我们能够帮助您。这不是一个严重的错误。我们可以很容易地解决。谢谢你的回复。我的输入详细信息如下：感谢您的回复Akhilesh。我的输入细节如下：图像大小：32x32x1（即单通道）。批量大小不会影响问题。在这里，我采取了一个批量大小为200。问题是，如果批处理大小为“N”，则输入和目标形状应匹配：输入[N x 1]，目标[N x 1]。我的问题是，我无法理解决定第一个“完全连接层”参数的重要性。由于双倒引号中的“self.fc1=nn.Linear（“3200”，1024）”参数，即3200，因此产生了大小不匹配的错误。如果更改此参数，则输入形状将发生更改。背后的原因我无法理解，您必须手动计算每个卷积层的输出大小，如下所示。我将尝试向您发送完全连接层的精确输入尺寸。同时，你试着用这个公式来计算。非常感谢你，Akhilesh。我已经得到了答案。请告诉我这里是什么欢迎你，阿迪蒂亚拉杰。我所说的b_是指批量大小。你的程序现在运行了吗？