PyTorch线性层输入维度不匹配。

Question

当我把输入数据传递给PyTorch中的Linear（全连接层）时，出现了以下错误：

matrices expected, got 4D, 2D tensors

我完全理解这个问题，因为输入数据的形状是（N，C，H，W）（来自卷积+最大池化层），其中：

• N：数据样本
• C：数据通道
• H，W：高度和宽度

然而，我期望PyTorch进行数据的“重塑”：

• [N，D1，...，Dn] --> [N，D]，其中D = D1 * D2 * ....Dn

我尝试重塑Variable.data，但我已经读到过这种方法不被推荐，因为梯度会保留先前的形状，并且通常不应该改变Variable.data的形状。

我相信有一个简单的解决方案与框架一起使用，但我还没有找到它。

这个问题有好的解决方案吗？

附言：全连接层的输入大小为C * H * W

- Danfoa

Answer 1

阅读了一些示例后，我找到了解决方法。以下是如何在不混淆前向/后向传递流程的情况下进行操作：

(_, C, H, W) = x.data.size()
x = x.view( -1 , C * H * W)

- Danfoa

Answer 2

更一般的解决方案（不考虑x有多少个维度）是取除了第一个维度（批次大小）以外的所有维度的尺寸的乘积：

n_features = np.prod(x.size()[1:])
x = x.view(-1, n_features)

- Mnez

Answer 3

通常情况下，我们会保存批次大小并在展平操作中推断出其他维度：

batch_size = x.shape[0]
...
x = x.view(batch_size, -1)

- iacob