Pytorch 使用Softmax分类器构建自动编码器-输入不匹配错误

我试图训练一个带有softmax分类器的自动编码器来复制本文中的结果

我的实施如下：

n_embedded = 400
class AE400_10(nn.Module):
    def __init__(self):
        super(AE400_10, self).__init__()
        self.encoder = nn.Sequential(nn.Linear(28*28, n_embedded), nn.Sigmoid())
        self.decoder = nn.Sequential(nn.Linear(n_embedded, 28*28))
        self.classifier = nn.Sequential(nn.Linear(28*28, 10))
    
    def forward(self, x):
        x = x.view(-1, 28*28)
        encoded = self.encoder(x)
        decoded = self.decoder(encoded)
        out = self.classifier(decoded) ##NEW UPDATED
                        
        return decoded, F.log_softmax(out)

model = AE400_10().to(device)

criterion1 = nn.MSELoss()
criterion2 = nn.BCELoss()
            
optimizer = optim.Adam(model.parameters(), lr=0.01)
for epoch in range(epochs): 
    total_batch = len(train_set) // batch_size_train
    
    for batch_idx, (data, target) in enumerate(MNSIT_train): 
        X = data.to(device)
        Y = target.to(device)
        optimizer.zero_grad()
        
        decoded, out = model(X)
       
        loss1 = criterion1(decoded, inputs) 
        loss2 = criterion2(out, labels)
        loss = loss1 + loss2
        loss.backward()
        optimizer.step()
        if (batch_idx+1) % 100 == 0:
            print('Epoch [%d/%d], lter [%d/%d], Loss: %.4f'%(epoch+1, epochs, batch_idx+1, total_batch, cost.item()))

对于培训，我有以下几点：

n_embedded = 400
class AE400_10(nn.Module):
    def __init__(self):
        super(AE400_10, self).__init__()
        self.encoder = nn.Sequential(nn.Linear(28*28, n_embedded), nn.Sigmoid())
        self.decoder = nn.Sequential(nn.Linear(n_embedded, 28*28))
        self.classifier = nn.Sequential(nn.Linear(28*28, 10))
    
    def forward(self, x):
        x = x.view(-1, 28*28)
        encoded = self.encoder(x)
        decoded = self.decoder(encoded)
        out = self.classifier(decoded) ##NEW UPDATED
                        
        return decoded, F.log_softmax(out)

model = AE400_10().to(device)

criterion1 = nn.MSELoss()
criterion2 = nn.BCELoss()
            
optimizer = optim.Adam(model.parameters(), lr=0.01)
for epoch in range(epochs): 
    total_batch = len(train_set) // batch_size_train
    
    for batch_idx, (data, target) in enumerate(MNSIT_train): 
        X = data.to(device)
        Y = target.to(device)
        optimizer.zero_grad()
        
        decoded, out = model(X)
       
        loss1 = criterion1(decoded, inputs) 
        loss2 = criterion2(out, labels)
        loss = loss1 + loss2
        loss.backward()
        optimizer.step()
        if (batch_idx+1) % 100 == 0:
            print('Epoch [%d/%d], lter [%d/%d], Loss: %.4f'%(epoch+1, epochs, batch_idx+1, total_batch, cost.item()))

但我得到了以下错误：

运行时错误：大小不匹配，m1:[128 x 400]，m2:[784 x 10]at /Users/soumith/mc3build/conda bld/pytorch_1549593514549/work/aten/src/TH/generic/THTensorMath.cpp:940

我理解这是维度中的一个错误，但我不确定为什么会发生

：：更新：： 我根据下面的注释修复了分类器的输入，现在我得到以下错误：

RuntimeError：张量a（784）的大小必须与张量的大小匹配 b（28）在非单态维数3下

---

我不使用

nn.Sequential

，所以我不确定为什么会发生这种情况，但如果 替换

与

你的代码有效

-->

---

我不使用

nn.Sequential

，所以我不确定为什么会发生这种情况，但如果 替换

与

你的代码有效

-->

---

而不是

encoded

out=self.classifier（编码） 将解码后的数据作为分类器的输入

  out = self.classifier(decoded)

我认为，这就是为什么会出现这种不匹配，因为分类器希望输入28*28的张量，正如代码中定义的那样

然后，调用标准时：

 loss1 = criterion1(decoded, X) 
 loss2 = criterion2(out, Y)

---

而不是

encoded

out=self.classifier（编码） 将解码后的数据作为分类器的输入

  out = self.classifier(decoded)

我认为，这就是为什么会出现这种不匹配，因为分类器希望输入28*28的张量，正如代码中定义的那样

然后，调用标准时：

 loss1 = criterion1(decoded, X) 
 loss2 = criterion2(out, Y)

---

我已经更新了代码，现在我得到了一个新的错误，粘贴在Hello@Loverter上面，我认为这个错误就是您调用这两个标准的方式。我已经更新了上面的答案。我已经更新了代码，现在我得到了一个新的错误，粘贴在Hello@Loverter上面，我认为这个错误就是你调用这两个标准的方式。我已经更新了上面的答案。尝试了你的建议，但我在尝试开始训练时出现了以下错误：运行时错误：张量a（784）的大小必须与张量b（28）在非单态维度的大小相匹配3尝试了你的建议，但我在尝试开始训练时出现了以下错误：运行时错误：张量a（784）的大小必须匹配非单态维度3的张量b（28）的大小