RuntimeError：mat1 和 mat2 形状不能相乘（28x28 和 784x64）

【问题标题】：RuntimeError: mat1 and mat2 shapes cannot be multiplied (28x28 and 784x64)RuntimeError：mat1 和 mat2 形状不能相乘（28x28 和 784x64）
【发布时间】：2021-07-27 09:46:02
【问题描述】：

import torch
import torch.nn as nn
import torch.nn.functional as F

class Net(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 forward(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)

net=Net()
print(net)

X=torch.rand((28,28))
X=X.unsqueeze(0)
output=net(X)
print(output)

RuntimeError: mat1 and mat2 shapes cannot be multiplied (28x28 and 784x64)

当我使用 X=X.view(-1,28*28) 代替 X=X.unsqueeze(0) 时，它给了我想要的结果。我无法完全理解这里使用 unsqueeze() 和 view() 的区别。

【问题讨论】：

标签： deep-learning pytorch

【解决方案1】：

您目前只使用两个维度：axis=0 是您的批次，axis=1 是您的特征。

使用X.view(-1, 28*28) 进行整形将使所有轴变平，但最后一个轴会留下(batch_size, feature_size) 形式的形状。

虽然X.unsqueeze(0) 只会添加一个额外的轴，不会影响张量X 的整体形式，但它不是重塑。我的意思是如果X 的形状为(batch_size, channel, height, width)，这很可能是输入图像。那么X.unsqueeze(0) 将被塑造成(1, batch_size, channel, height, width)。

由于您使用的是全连接网络，因此您现在并且应该使用前者，即将 X 重塑为二维张量。

【讨论】：