使用 pytorch 进行回归的卷积神经网络答案

【问题标题】：Convolution Neural Network for regression using pytorch使用 pytorch 进行回归的卷积神经网络
【发布时间】：2019-11-30 05:22:12
【问题描述】：

我正在尝试为回归目的创建 CNN。输入是图像数据。出于学习目的，我有 10 个形状为 (10,3,448,448) 的图像，其中 10 个是图像，3 个是通道，448 个是高度和宽度。
输出标签为(10,245)。这是我的架构

class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Conv2d(3, 32, kernel_size=5)
        self.conv2 = nn.Conv2d(32, 32, kernel_size=5)
        self.conv3 = nn.Conv2d(32,64, kernel_size=5)
        self.fc1 = nn.Linear(3*3*64, 256)
        self.fc2 = nn.Linear(256, 245)

    def forward(self, x):
        x = F.relu(self.conv1(x))
        #x = F.dropout(x, p=0.5, training=self.training)
        x = F.relu(F.max_pool2d(self.conv2(x), 2))
        x = F.dropout(x, p=0.5, training=self.training)
        x = F.relu(F.max_pool2d(self.conv3(x),2))
        x = F.dropout(x, p=0.5, training=self.training)
        x = x.view(-1,3*3*64 )
        x = F.relu(self.fc1(x))
        x = F.dropout(x, training=self.training)
        x = self.fc2(x)
        return x

cnn = CNN()
print(cnn)

it = iter(train_loader)
X_batch, y_batch = next(it)
print(cnn.forward(X_batch).shape)

使用批量大小 2，我期望模型生成的数据形状是 (2,245)。但它正在生成形状为(2592, 245)

的数据

【问题讨论】：

标签： pytorch

【解决方案1】：

在 self.conv3 之后，你有形状为 [2, 64, 108, 108] 的张量，它在重塑后产生 [2592, 576]。这就是 2592 的来源。更改行： “self.fc1 = nn.Linear(3*3*64, 256)” 和 “x = x.view(-1,3*3*64)” 以便他们在图层之后使用适当的图像大小。

下面是固定代码：

class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Conv2d(3, 32, kernel_size=5)
        self.conv2 = nn.Conv2d(32, 32, kernel_size=5)
        self.conv3 = nn.Conv2d(32,64, kernel_size=5)
        self.fc1 = nn.Linear(108*108*64, 256)
        self.fc2 = nn.Linear(256, 245)

    def forward(self, x):
        print (x.shape)
        x = F.relu(self.conv1(x))
        print (x.shape)
        #x = F.dropout(x, p=0.5, training=self.training)
        x = F.relu(F.max_pool2d(self.conv2(x), 2))
        print (x.shape)
        x = F.dropout(x, p=0.5, training=self.training)
        print (x.shape)
        x = F.relu(F.max_pool2d(self.conv3(x),2))
        print (x.shape)
        x = F.dropout(x, p=0.5, training=self.training)
        print (x.shape)
        x = x.view(-1,108*108*64 )
        print (x.shape)
        x = F.relu(self.fc1(x))
        x = F.dropout(x, training=self.training)
        x = self.fc2(x)
        return x

cnn = CNN()
print(cnn)

# X_batch, y_batch = next(it)
print(cnn.forward(X_batch).shape)

【讨论】：