Pytorch 预期步幅为单个整数值或1个值的列表，以匹配卷积维度，但获得步幅=[1，1]

我读了，但它似乎没有回答我的问题

所以基本上我正在尝试将游戏蛇矢量化，这样它可以跑得更快。 这是我到目前为止的代码：

import torch
import torch.nn.functional as F
device = torch.device("cpu")
class SnakeBoard:
  def __init__(self, board=None):
    if board != None:
      self.channels = board
    else:
      # 0 - Food, 1 - Head, 2 - Body
      self.channels = torch.zeros(1, 3, 15, 17,
                                  device=device)

      # Initialize game channels
      self.channels[:, 0, 7, 12] = 1
      self.channels[:, 1, 7, 5] = 1
      self.channels[:, 2, 7, 2:6] = torch.arange(1, 5)
    self.move()

  def move(self):
    self.channels[:, 2] -= 1
    F.relu(self.channels[:, 2], inplace=True)
    # Up movement test
    F.conv2d(self.channels[:, 1], torch.tensor([[[0,1,0],[0,0,0],[0,0,0]]]), padding=1)

SnakeBoard()

通道中的第一个维度表示批量大小，第二个维度表示蛇游戏的3个通道：食物、头部和身体，最后第三个和第四个维度表示棋盘的高度和宽度

不幸的是，在运行代码时，我得到了一个错误：期望步长为单个整数值或1个值的列表，以匹配卷积维度，但得到了步长=[1，1]

---

如何解决此问题？

卷积输入的尺寸对于二维卷积不正确。让我们看看您传递到的尺寸：

self.channels[：，1].size（）
#=>火炬尺寸（[1,15,17]）
火炬张量（[[0,1,0]，[0,0,0]，[0,0,0]]）。大小（）
#=>火炬尺寸（[1,3,3]）

正确的尺寸应该是

• 输入：（批量大小、输入通道、高度、宽度）
• 重量：（输出通道、输入通道、内核高度、内核宽度）

因为您的权重只有3个维度，所以它被认为是1D卷积，但由于您调用了

F.conv2d

，因此步幅和填充将是元组，因此它不起作用

对于为第二个维度编制索引的输入，该维度选择该维度上的特定元素并消除该维度。要保留该维度，可以仅使用一个元素的切片对其进行索引。 对于权重，您也缺少一个维度，可以直接添加。此外，您的权重类型为

torch.long

，因为您在张量创建中仅使用整数，但权重类型必须为

torch.float

F.conv2d（self.channels[：，1:2]，torch.tensor（[[[0,1,0]，[0,0,0]，[0,0,0]]]，dtype=torch.float），padding=1）

---

另一方面，我不认为卷积适合这个用例，因为你没有使用卷积的一个关键属性，那就是捕捉周围环境。这些只是太多不必要的计算，无法实现你想要的，大多数都是0的乘法

例如，上移更容易通过移除第一行并在末尾添加一行新的零来实现，因此所有内容都上移（假设第一行是板的顶部，最后一行是板的底部）

head=self.channels[：，1:2]
批次尺寸、通道、高度、宽度=头部尺寸（）
#除了头上的第一排，什么都拿
#通过在整个高度（尺寸2）上连接零，将一行零添加到端点
新的焊炬头=焊炬.cat（[head[：，：，1:]，焊炬.zero（批次尺寸，通道，1，宽度）]，尺寸=2）
#或者如果你想把它包在黑板上，那就更简单了。
#将第一行移到末尾
缠绕头=火炬。猫（[head[：，：，1:，head[：，：，0:1]]，尺寸=2）

对于二维卷积，卷积输入的尺寸不正确。让我们看看您要传递到的尺寸：

self.channels[：，1].size（）
#=>火炬尺寸（[1,15,17]）
火炬张量（[[0,1,0]，[0,0,0]，[0,0,0]]）。大小（）
#=>火炬尺寸（[1,3,3]）

正确的尺寸应该是

• 输入：（批量大小、输入通道、高度、宽度）
• 重量：（输出通道、输入通道、内核高度、内核宽度）

因为您的权重只有3个维度，所以它被认为是1D卷积，但由于您调用了

F.conv2d

，因此步幅和填充将是元组，因此它不起作用

对于为第二个维度编制索引的输入，该维度选择该维度上的特定元素并消除该维度。要保留该维度，可以仅使用一个元素的切片对其进行索引。 对于权重，您也缺少一个维度，可以直接添加。此外，您的权重类型为

torch.long

，因为您在张量创建中仅使用整数，但权重类型必须为

torch.float

F.conv2d（self.channels[：，1:2]，torch.tensor（[[[0,1,0]，[0,0,0]，[0,0,0]]]，dtype=torch.float），padding=1）

---

另一方面，我不认为卷积适合这个用例，因为你没有使用卷积的一个关键属性，那就是捕捉周围环境。这些只是太多不必要的计算，无法实现你想要的，大多数都是0的乘法

例如，上移更容易通过移除第一行并在末尾添加一行新的零来实现，因此所有内容都上移（假设第一行是板的顶部，最后一行是板的底部）

head=self.channels[：，1:2]
批次尺寸、通道、高度、宽度=头部尺寸（）
#除了头上的第一排，什么都拿
#通过在整个高度（尺寸2）上连接零，将一行零添加到端点
新的焊炬头=焊炬.cat（[head[：，：，1:]，焊炬.zero（批次尺寸，通道，1，宽度）]，尺寸=2）
#或者如果你想把它包在黑板上，那就更简单了。
#将第一行移到末尾
缠绕头=火炬。猫（[head[：，：，1:，head[：，：，0:1]]，尺寸=2）

谢谢，但是在效率方面，当使用GPU时，使用第二种删除和添加方法还是仅使用conv2d更快？第二种方法肯定更快，尤其是在环绕式情况下，所有数据都已在GPU上，只是视图发生了更改。但即使数据需要复制以在内存中保持连续，它仍然是l仅加载该数据，该数据也分配给卷积结果，但卷积需要使用3x3乘法（和和）计算每个元素