在 pytorch 中调整图像大小以匹配模型的尺寸不起作用答案

【问题标题】：Resizing image in pytorch to match the dimensions of the model does not work在 pytorch 中调整图像大小以匹配模型的尺寸不起作用
【发布时间】：2022-09-29 05:29:36
【问题描述】：

我得到一个尺寸不匹配错误当我在模型上运行预测器时，即使训练、验证和测试工作。我想这意味着预测模型中的图像处理存在问题。

class Predictor(nn.Module):

    def __init__(self, model, class_names, mean, std):
        super().__init__()

        self.model = model.eval()
        self.class_names = class_names
        
        self.transforms = nn.Sequential( # --- THIS MIGHT BE THE PROBLEM
            T.Resize([256, ]),
            T.CenterCrop(224),
            T.ConvertImageDtype(torch.float),
            T.Normalize(mean.tolist(), std.tolist())
        )

    def forward(self, x: torch.Tensor) -> torch.Tensor:
        with torch.no_grad():
            # Apply transforms --- THIS MIGHT BE THE PROBLEM TOO
            x  = self.transforms(x)

            # Get the logits
            x  = self.model(x)

            # Apply softmax
            x  = F.softmax(x, dim=1)

            return x

我尝试硬编码model 类的输入神经元的维度，它确实工作了几秒钟，然后我得到另一个维度不匹配。

例如，在训练时，模型的输入神经元是128*7*7，然后我将其硬编码为57600，因为这是引发错误的输入维度。它在预测过程中确实适用于 26 张图像，但随后它引发了另一个维度不匹配错误，另一个维度为 51200。

这确实意味着传递给模型的图像尺寸不一致！

这也意味着self.transforms(...) 不起作用，因为如果它起作用，就不会有尺寸不匹配

您是否进行了健全性测试以确保调整大小功能不起作用？即找到破坏您的代码的输入图像，然后从那里进行调试。
检查转换后图像的尺寸（例如，这可以通过添加打印语句来完成）。
会尝试这样做，我会尽快更新问题

标签： python deep-learning pytorch conv-neural-network torch

【解决方案1】：

我可以通过强制使用硬编码的T.Compose([..., T.CenterCrop(224), ...]) 转换插入模型的数据来解决错误，以确保图像本身已插入模型裁剪就绪。

但是，我仍然不明白为什么以下内容不能解决该错误

self.transforms = nn.Sequential(T.Resize([256, ]),
                                T.CenterCrop(224),
                                T.ConvertImageDtype(torch.float),
                                T.Normalize(mean.tolist(), std.tolist()))

使用224*224 调用模型本身可以消除错误，但模型不接受任何其他维度，因为它会引发维度错误

【讨论】：