Python 运行时错误：大小不匹配，m1:[4 x 784]，m2:[4 x 784]at/pytorch/aten/src/TH/generic/THTensorMath.cpp:136

我已经执行了以下代码

   import matplotlib.pyplot as plt
   import torch
   import torch.nn as nn
   import torch.optim as optim
   from torch.autograd import Variable
   from torch.utils import data as t_data
   import torchvision.datasets as datasets
   from torchvision import transforms
   data_transforms = transforms.Compose([transforms.ToTensor()])
  mnist_trainset = datasets.MNIST(root='./data', train=True,    
                           download=True, transform=data_transforms)
batch_size=4
dataloader_mnist_train = t_data.DataLoader(mnist_trainset, 
                                           batch_size=batch_size,
                                           shuffle=True
                                           )

def make_some_noise():
    return torch.rand(batch_size,100)


class generator(nn.Module):

    def __init__(self, inp, out):

        super(generator, self).__init__()

        self.net = nn.Sequential(
                                 nn.Linear(inp,784),
                                 nn.ReLU(inplace=True),
                                 nn.Linear(784,1000),
                                 nn.ReLU(inplace=True),
                                 nn.Linear(1000,800),
                                 nn.ReLU(inplace=True),
                                 nn.Linear(800,out)
                                    )

    def forward(self, x):
        x = self.net(x)
        return x

class discriminator(nn.Module):

    def __init__(self, inp, out):

        super(discriminator, self).__init__()

        self.net = nn.Sequential(
                                 nn.Linear(inp,784),
                                 nn.ReLU(inplace=True),
                                 nn.Linear(784,784),
                                 nn.ReLU(inplace=True),
                                 nn.Linear(784,200),
                                 nn.ReLU(inplace=True),
                                 nn.Linear(200,out),
                                 nn.Sigmoid()
                                    )

    def forward(self, x):
        x = self.net(x)
        return x

def plot_img(array,number=None):
    array = array.detach()
    array = array.reshape(28,28)

    plt.imshow(array,cmap='binary')
    plt.xticks([])
    plt.yticks([])
    if number:
        plt.xlabel(number,fontsize='x-large')
    plt.show()

d_steps = 100
g_steps = 100

gen=generator(4,4)
dis=discriminator(4,4)

criteriond1 = nn.BCELoss()
optimizerd1 = optim.SGD(dis.parameters(), lr=0.001, momentum=0.9)

criteriond2 = nn.BCELoss()
optimizerd2 = optim.SGD(gen.parameters(), lr=0.001, momentum=0.9)

printing_steps = 20

epochs = 5

for epoch in range(epochs):

    print (epoch)

    # training discriminator
    for d_step in range(d_steps):
        dis.zero_grad()

        # training discriminator on real data
        for inp_real,_ in dataloader_mnist_train:
            inp_real_x = inp_real
            break

        inp_real_x = inp_real_x.reshape(batch_size,784)
        dis_real_out = dis(inp_real_x)
        dis_real_loss = criteriond1(dis_real_out,
                              Variable(torch.ones(batch_size,1)))
        dis_real_loss.backward()

        # training discriminator on data produced by generator
        inp_fake_x_gen = make_some_noise()
        #output from generator is generated        
        dis_inp_fake_x = gen(inp_fake_x_gen).detach()
        dis_fake_out = dis(dis_inp_fake_x)
        dis_fake_loss = criteriond1(dis_fake_out,
                                Variable(torch.zeros(batch_size,1)))
        dis_fake_loss.backward()

        optimizerd1.step()



    # training generator
    for g_step in range(g_steps):
        gen.zero_grad()

        #generating data for input for generator
        gen_inp = make_some_noise()

        gen_out = gen(gen_inp)
        dis_out_gen_training = dis(gen_out)
        gen_loss = criteriond2(dis_out_gen_training,
                               Variable(torch.ones(batch_size,1)))
        gen_loss.backward()

        optimizerd2.step()

    if epoch%printing_steps==0:
        plot_img(gen_out[0])
        plot_img(gen_out[1])
        plot_img(gen_out[2])
        plot_img(gen_out[3])
        print("\n\n")

运行代码时，将显示以下错误

 File "mygan.py", line 105, in <module>
    dis_real_out = dis(inp_real_x)
    RuntimeError: size mismatch, m1: [4 x 784], m2: [4 x 784] at /pytorch/aten/src/TH/generic/THTensorMath.cpp:136

文件“mygan.py”，第105行，在
dis\u real\u out=dis（inp\u real\u x）
运行时错误：大小不匹配，m1:[4 x 784]，m2:[4 x 784]at/pytorch/aten/src/TH/generic/THTensorMath.cpp:136

我如何解决这个问题

---

我从

中得到了代码，错误提示输入鉴别器的张量形状不正确。现在让我们试着找出张量的形状，以及期望的形状

由于上述整形操作，张量本身的形状为

[batch\u size x 784]

。另一方面，鉴别器网络期望最后维度为

4

的张量。这是因为鉴别器网络中的第一层是

nn.Linear（inp，784）

，其中

inp=4

线性层

nn.linear（input\u size，output\u size）

，期望输入张量的最终维度等于

input\u size

，并使用投影到

output\u size

的最终维度生成输出。在这种情况下，它希望输入的张量为shape

[batch\u size x 4]

，输出的张量为shape

[batch\u size x 784]

---

现在来看真正的问题：您定义的生成器和鉴别器的大小不正确。您似乎已将博客帖子中的

300

维度大小更改为

784

，我假设这是您图像的大小（MNIST为28 x 28）。但是，

300

不是输入大小，而是“隐藏状态大小”——模型使用300维向量对输入图像进行编码

这里您应该做的是将输入大小设置为

784

，将输出大小设置为

1

，因为鉴别器会对假（0）或真（1）进行二进制判断。对于生成器，输入大小应等于随机生成的“输入噪声”，在本例中为

100

。输出大小也应为

784

，因为其输出是生成的图像，其大小应与实际数据相同

因此，您只需对代码进行以下更改，它就可以顺利运行：

gen=发电机（100784）
dis=鉴别器（784，1）

请阅读-总结是，这不是向志愿者讲话的理想方式，可能会对获得答案产生反作用。请不要将此添加到您的问题中。