时间戳

首页 > 解决方案 > RuntimeError: shape '[10, 3, 150, 150]' 对于大小为 472500 的输入无效

pytorch - RuntimeError: shape '[10, 3, 150, 150]' 对于大小为 472500 的输入无效

问题描述

我正在尝试对 covid CT 数据集执行卷积操作并不断收到此错误。我在火车装载机中的图像大小为 (10, 150, 150, 3)，我使用 torch.reshape() 将其重新整形为 [10, 3, 150, 150]。谁能帮我解决问题

我的 CNN 代码

class BConv(nn.Module):
def __init__(self, out=3):
    super(BConv, self).__init__()
    #(10, 150, 150, 3)
    self.conv1=nn.Conv2d(in_channels=3,out_channels=12,kernel_size=3,stride=1,padding=1)
    self.bn1=nn.BatchNorm2d(num_features=12)
    self.relu1=nn.ReLU()
    self.pool=nn.MaxPool2d(kernel_size=2)
    self.conv2=nn.Conv2d(in_channels=12,out_channels=20,kernel_size=3,stride=1,padding=1)
    self.relu2=nn.ReLU()
    # self.conv3=nn.Conv2d(in_channels=20,out_channels=32,kernel_size=3,stride=1,padding=1)
    # self.bn3=nn.BatchNorm2d(num_features=32)
    # self.relu3=nn.ReLU()
    self.fc=nn.Linear(in_features= 20*75*75, out_features=3)
    
def forward(self,input):
    output=self.conv1(input)
    #print("output 1", output.shape)
    output=self.bn1(output)
    #print("output 1", output.shape)
    output=self.relu1(output)
    #print("output 1", output.shape)
    output=self.pool(output)
    #print("output 1", output.shape)
    output=self.conv2(output)
    #print("output 1", output.shape)
    output=self.relu2(output)
    #print("output 1", output.shape)
    # output=self.conv3(output)
    # output=self.bn3(output)
    # output=self.relu3(output)
    print(output.shape)
        
        #Above output will be in matrix form, with shape (256,32,75,75)
    
    output=output.view(output.size(0), -1)
    
        
    output=self.fc(output)
        
    return output

数据预处理

class Ctdataset(Dataset):
    def __init__(self, path):

        self.data= pd.read_csv(path, delimiter=" ")
        data= self.data.values.tolist()
        self.image= []
        self.labels=[]
        for i in data:
            self.image.append(i[0])
            self.labels.append(i[1])

        #print(len(self.image), len(self.labels))
        #self.class_map = {"0": 0, "1":1 , "2": 2}  

    def __len__(self):
        return len(self.image)
        

    def __getitem__(self, idx):
        img_path = os.path.join("2A_images", self.image[idx])
        img= Image.open(img_path).convert("RGB")
        img= img.resize((150, 150))
        img= np.array(img)
        img= img.astype(float)
        return img, label

标签： pytorchconv-neural-networkimage-resizingtensor

解决方案

在这里，我正在考虑您的整个模型，包括由 、 和 组成的第三conv3个bn3块relu3。有几点需要注意：

  • 重塑与排列轴有很大不同。当你说你有一个输入形状时(batch_size, 150, 150, 3)，这意味着通道轴是最后一个。由于 PyTorch 2D 内置层以NHW您需要置换轴的格式工作：您可以这样做torch.Tensor.permute：

    >>> x = torch.rand(10, 150, 150, 3)
>>> x.permute(0, 3, 1, 2).shape
(10, 3, 150, 150)

  • 假设您的输入是 shape (batch_size, 3, 150, 150)，那么 的输出 shaperelu3将是(32, 75, 75)。因此，以下全连接层必须具有精确的32*75*75输入特征。

  • 但是，您需要像在代码中那样使用view:来展平此张量output = output.view(output.size(0), -1)。另一种方法是定义一个self.flatten = nn.Flatten()层并用output = self.flatten(output).

  • 从 PyTorch v 1.8.0in_features开始，在全连接层中设置的替代方法是使用nn.LazyLinear它将根据第一个推断为您初始化它：

    >>> self.fc = nn.LazyLinear(out_features=3)

  • 旁注：您不需要使用 、 和 定义单独的 ReLU 层，relu1因为它们是非参数函数：relu2relu3

    >>> self.relu = nn.ReLU()

以下是完整代码供参考：

class BConv(nn.Module):
    def __init__(self, out=3):
        super().__init__()

        # input shape (10, 150, 150, 3)
        self.conv1 = nn.Conv2d(3, 12,kernel_size=3, stride=1, padding=1)
        self.bn1 = nn.BatchNorm2d(num_features=12)
        self.pool = nn.MaxPool2d(kernel_size=2)
        
        self.conv2 = nn.Conv2d(12, 20,kernel_size=3, stride=1, padding=1)

        self.conv3 = nn.Conv2d(20, 32, kernel_size=3, stride=1, padding=1)
        self.bn3 = nn.BatchNorm2d(num_features=32)
        
        self.relu = nn.ReLU()
        self.flatten = nn.Flatten()
        self.fc = nn.Linear(in_features=32*75*75, out_features=out)
    
    def forward(self,input):
        output = input.permute(0, 3, 1, 2)

        output = self.conv1(output)
        output = self.bn1(output)
        output = self.relu(output)
        output = self.pool(output)

        output = self.conv2(output)
        output = self.relu(output)

        output = self.conv3(output)
        output = self.bn3(output)
        output = self.relu(output)
        
        output = self.flatten(output)
        output = self.fc(output)
            
        return output

推荐阅读