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

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

考虑到给定的网络超参数

我需要的图像大小是

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）