RuntimeError：形状“[784]”对于大小为 7840 的输入无效

Question

下面是代码：

import torch

import torchvision

from torchvision import transforms, datasets

#确定批量大小

Batch_size = 10

#下载火车数据

train_mnist = datasets.MNIST(root="./data", train=True, download=True,
                   transform=transforms.Compose([transforms.ToTensor()]))

#将训练数据传入Dataloader

train_set = torch.utils.data.DataLoader(train_mnist, batch_size=Batch_size, shuffle=True)

#下载测试数据

test_mnist = datasets.MNIST(root="./data", train=True, download=True,
                   transform=transforms.Compose([transforms.ToTensor()]))

#将测试数据传入Dataloader

test_set = torch.utils.data.DataLoader(test_mnist, batch_size=Batch_size, shuffle=True)

#构建网络

import torch.nn as nn
import torch.nn.functional as f
class Netwk(nn.Module):

def __init__(self):
    super().__init__()
    self.fc1 = nn.Linear(28*28, 64)
    self.fc2 = nn.Linear(64, 64)
    self.fc3 = nn.Linear(64, 64)
    self.fc4 = nn.Linear(64, 10)

def Fpropagation(self, x):
    x = F.relu(self.fc1(x))
    x = F.relu(self.fc2(x))
    x = F.relu(self.fc3(x))
    x = self.fc4(x)

return F.log_softmax(x, dim=1)

return x

net = Netwk()

print(net)

#为损失创建优化

import torch.optim as optim

Optimizer = optim.Adam(net.parameters(), lr=0.001)

EPOCHS = 3
for epoch in range(EPOCHS):
    for data in train_set:
        X, y = data
        net.zero_grad()
        output = net(X.view(28*28))
        loss = F.nll_loss(output, y)
        loss.backward()
        optimizer.step()
        print(loss)

#我得到的错误

RuntimeError                              Traceback (most recent call last)

<ipython-input-58-b92f3c4f7059> in <module>()
     10     X, y = data
     11     net.zero_grad()
---> 12     output = net(X.view(28*28))
     13     loss = F.nll_loss(output, y)
     14     loss.backward()

RuntimeError: shape '[784]' is invalid for input of size 7840

试图绕过它，我似乎无法理解什么是错的。从已经尝试过的谷歌搜索来看，我的尺寸似乎有问题，如果完全是问题的话，我不知道如何获得正确的尺寸。

Answer 1

您在这里忘记了“批处理”。请看，当您在for loop 中并用X, y = data 行解构您的data。在这里，你可能认为X 是来自 trainset 的图像，但实际上 X 是一组图像（具体来说，10将 10 设置为您的 batch_size) 和 y 同样是一批标签。意思是，您的X 的形状类似于10x28x28x1。现在，您可能会意识到net(X.view(28*28)) 行实际上是将整批 10 张图像压缩成一个 28x28=>784 大小的向量，这是错误的，对吧？因此，您可能想要在这里做的是net(X.view(-1, 28*28))，现在-1 将确保无论您的批量大小是多少，当您将数据发送到模型中时它都保持不变，所以现在您可以轻松推断出形状X 将是10x784，这就是你想要的。

我注意到的另一件事，可能是一个错字，您的test_set 和train_set 实际上是相同的。要下载正确的 test_set，确保发送 train=False 作为参数。