错误：张量 a (892) 的大小必须与非单维 3 的张量 b (400) 的大小相匹配答案

【问题标题】：Error: The size of tensor a (892) must match the size of tensor b (400) at non-singleton dimension 3错误：张量 a (892) 的大小必须与非单维 3 的张量 b (400) 的大小相匹配
【发布时间】：2022-08-13 13:57:12
【问题描述】：

我正在使用pytorch在形状为（3,347,400）的图像数据集中构建自动编码器模型，当我尝试训练我的模型时遇到上述错误这是我的编码器和解码器模型

class Autoencoder(nn.Module):
   def __init__(self):
       super().__init__()        
       self.encoder = nn.Sequential(
           nn.Conv2d(3, 16, 3, stride=2, padding=1),
           nn.ReLU(True),
           nn.Conv2d(16, 32, 3, stride=2, padding=1),
           nn.ReLU(True),
           nn.Conv2d(32, 64, 7) 
       )
       
      
       self.decoder = nn.Sequential(
           nn.ConvTranspose2d(64, 32, 7), 
           nn.ReLU(True),
           nn.ConvTranspose2d(32, 16, 3, stride=3,padding=1), 
           nn.ReLU(True),
           nn.ConvTranspose2d(16, 3, 3, stride=3,padding=1), 
           nn.Sigmoid()
       )

   def forward(self, x):
       encoded = self.encoder(x)
       decoded = self.decoder(encoded)
       return decoded

对于我使用 MSE() 的损失，有人可以帮我吗？

你可以上传MSE代码吗？还有标签的形状。
模型 = Autoencoder() 标准 = nn.MSELoss() 优化器 = torch.optim.Adam(model.parameters(), lr=1e-3, weight_decay=1e-5) .. 这是我的损失，你能帮帮我吗给我定义自动编码器的结构？

标签： python pytorch conv-neural-network autoencoder

【解决方案1】：

制作自动编码器时要注意的一件事是输入形状和输出形状应该相同。

自动编码器由一个部分组成压缩输入信息(encoder) 和一部分将压缩信息转换为原始输入(decoder)。因此，输入的形状和输出的形状必须相同。

我稍微修改了您的自动编码器以匹配输入形状和输出形状。此代码将帮助您理解。

代码：

import torch
import torch.nn as nn

class Autoencoder(nn.Module):
   def __init__(self):
       super().__init__()        
       self.encoder = nn.Sequential(
           nn.Conv2d(3, 16, 3, stride=1, padding=1),
           nn.ReLU(True),
           nn.Conv2d(16, 32, 3, stride=1, padding=1),
           nn.ReLU(True),
           nn.Conv2d(32, 64, 7) 
       )
      
       self.decoder = nn.Sequential(
           nn.ConvTranspose2d(64, 32, 7), 
           nn.ReLU(True),
           nn.ConvTranspose2d(32, 16, 3, stride=1, padding=1), 
           nn.ReLU(True),
           nn.ConvTranspose2d(16, 3, 3, stride=1, padding=1), 
           nn.Sigmoid()
       )

   def forward(self, x):
       encoded = self.encoder(x)
       decoded = self.decoder(encoded)
       return decoded

model = Autoencoder()
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=1e-3, weight_decay=1e-5)

x = torch.randn(3,347,400)
# When you modify the model, the output should be the same as the shape of x.
print(model(x).shape)

结果：

torch.Size([3, 347, 400])

【讨论】：