PyTorch RuntimeError无效的参数2的大小

Question

我正在尝试使用神经网络（PyTorch），但出现此错误。

RuntimeError：无效参数2：大小'[32 x 9216]'对于在/pytorch/aten/src/TH/THStorage.cpp:84处具有8192个元素的输入无效

我的任务是关于使用AlexNet进行图像分类，并且我将错误回溯到提供给神经网络的图像大小。 我的问题是，给定具有其参数的网络体系结构，如何确定网络所需的正确图像大小？

根据下面的代码，我首先将训练图像转换为神经网络。 但是我注意到神经网络只能接受224的大小，否则它将给出上面的错误。 例如，我的本能是应用transforms.RandomResizedCrop的大小为64，但显然这是错误的。 是否有确定所需尺寸的公式？

码

# transformation to be done on images
transform_train = transforms.Compose([
    transforms.RandomResizedCrop(64),
    transforms.RandomHorizontalFlip(),
    transforms.ToTensor(),
    transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
])

class AlexNet(nn.Module):

    def __init__(self, num_classes=1000):
        super(AlexNet, self).__init__()
        self.features = nn.Sequential(
            nn.Conv2d(3, 64, kernel_size=11, stride=4, padding=2),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(kernel_size=3, stride=2),
            nn.Conv2d(64, 192, kernel_size=5, padding=2),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(kernel_size=3, stride=2),
            nn.Conv2d(192, 384, kernel_size=3, padding=1),
            nn.ReLU(inplace=True),
            nn.Conv2d(384, 256, kernel_size=3, padding=1),
            nn.ReLU(inplace=True),
            nn.Conv2d(256, 256, kernel_size=3, padding=1),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(kernel_size=3, stride=2),
        )
        self.classifier = nn.Sequential(
            nn.Dropout(),
            nn.Linear(256 * 6 * 6, 4096),
            nn.ReLU(inplace=True),
            nn.Dropout(),
            nn.Linear(4096, 4096),
            nn.ReLU(inplace=True),
            nn.Linear(4096, num_classes),
        )

    def forward(self, x):
        x = self.features(x)
        x = x.view(x.size(0), 256 * 6 * 6)
        x = self.classifier(x)
        return x

Answer 1

我已经弄清楚了获得正确输入大小的算法。

Out = float(((W−F+2P)/S)+1)

哪里

• 输出=输出形状
• W =图像体积尺寸（图像尺寸）
• F =接收场（过滤器尺寸）
• P =填充
• S =步幅

考虑到给定的网络超参数，

我需要的要求图像大小将是

W = (55 - 1) * 4 - 2(2) + 11
  =  223
  ⩰  224

Answer 2

计算卷积层后输出形状的实际公式为：

out_size= floor((in_size + 2p -f)/s + 1)