Python PyTorch运行时错误大小为的参数2无效
我正在用神经网络(Pytork)进行实验,我得到了这个错误 RuntimeError:无效参数2:大小“[32 x 9216]”对于在/pytorch/aten/src/TH/THStorage.cpp:84处包含8192个元素的输入无效 我的任务是使用AlexNet对图像进行分类,我已经回溯了误差,以确定提供给神经网络的图像的大小。我的问题是,考虑到网络结构及其参数,如何确定网络所需的正确图像大小 根据下面的代码,我首先转换训练图像,然后再将其输入神经网络。但是我注意到神经网络只能接受224的大小,否则它就会给出上面的错误。例如,我的本能是应用大小为64的Python PyTorch运行时错误大小为的参数2无效,python,neural-network,deep-learning,conv-neural-network,pytorch,Python,Neural Network,Deep Learning,Conv Neural Network,Pytorch,我正在用神经网络(Pytork)进行实验,我得到了这个错误 RuntimeError:无效参数2:大小“[32 x 9216]”对于在/pytorch/aten/src/TH/THStorage.cpp:84处包含8192个元素的输入无效 我的任务是使用AlexNet对图像进行分类,我已经回溯了误差,以确定提供给神经网络的图像的大小。我的问题是,考虑到网络结构及其参数,如何确定网络所需的正确图像大小 根据下面的代码,我首先转换训练图像,然后再将其输入神经网络。但是我注意到神经网络只能接受224的
变换.RandomResizedCrop
,但显然这是错误的。是否有确定所需尺寸的公式
代码
# transformation to be done on images
transform_train = transforms.Compose([
transforms.RandomResizedCrop(64),
transforms.RandomHorizontalFlip(),
transforms.ToTensor(),
transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
])
class AlexNet(nn.Module):
def __init__(self, num_classes=1000):
super(AlexNet, self).__init__()
self.features = nn.Sequential(
nn.Conv2d(3, 64, kernel_size=11, stride=4, padding=2),
nn.ReLU(inplace=True),
nn.MaxPool2d(kernel_size=3, stride=2),
nn.Conv2d(64, 192, kernel_size=5, padding=2),
nn.ReLU(inplace=True),
nn.MaxPool2d(kernel_size=3, stride=2),
nn.Conv2d(192, 384, kernel_size=3, padding=1),
nn.ReLU(inplace=True),
nn.Conv2d(384, 256, kernel_size=3, padding=1),
nn.ReLU(inplace=True),
nn.Conv2d(256, 256, kernel_size=3, padding=1),
nn.ReLU(inplace=True),
nn.MaxPool2d(kernel_size=3, stride=2),
)
self.classifier = nn.Sequential(
nn.Dropout(),
nn.Linear(256 * 6 * 6, 4096),
nn.ReLU(inplace=True),
nn.Dropout(),
nn.Linear(4096, 4096),
nn.ReLU(inplace=True),
nn.Linear(4096, num_classes),
)
def forward(self, x):
x = self.features(x)
x = x.view(x.size(0), 256 * 6 * 6)
x = self.classifier(x)
return x
我已经找到了获得正确输入大小的算法
Out = float(((W−F+2P)/S)+1)
在哪里
- 输出=输出形状
- W=图像体积大小(图像大小)
- F=感受野(过滤器尺寸)
- P=填充
- S=步幅
W = (55 - 1) * 4 - 2(2) + 11
= 223
⩰ 224
计算卷积层后输出形状的实际公式为:
out\u size=floor((in\u size+2p-f)/s+1)