如何解决RuntimeError: mat1形状和mat2形状不能相乘
这一行
x = x.view( -1,x.size( 1 ))意味着您保留第二维(通道)不变，而将其他所有内容放在第一维(批处理)。
由于self.encoder的输出是(1,48,4,4)，这样做意味着您将获得(64,48)，但从外观上看，我认为您需要(1,3072)。
所以这应该可以解决这个特殊的问题。
x = x.view(x.size(0),-1)然后你会遇到RuntimeError: unflatten: Provided sizes [48,4] don't multiply up to the size of dim 1 (3072) in the input tensor。
原因是这里的未扁平化
nn.Linear(100,3072),nn.Unflatten(1,(48,4)),nn.ConvTranspose3d(48,32,2,1)必须改为(48,4)。
解决方法
我正在尝试输入一个形状为( 1，8，32，32，32 )的5D张量到我写的VAE：
self.encoder = nn.Sequential(
nn.Conv3d( 8, 16, 4, 2, 1 ), # 32 -> 16
nn.BatchNorm3d( 16 ),
nn.LeakyReLU( 0.2 ),
nn.Conv3d( 16, 32, 4, 2, 1 ), # 16 -> 8
nn.BatchNorm3d( 32 ),
nn.LeakyReLU( 0.2 ),
nn.Conv3d( 32, 48, 4, 2, 1 ), # 16 -> 4
nn.BatchNorm3d( 48 ),
nn.LeakyReLU( 0.2 ),
)
self.fc_mu = nn.Linear( 3072, 100 ) # 48*4*4*4 = 3072
self.fc_logvar = nn.Linear( 3072, 100 )
self.decoder = nn.Sequential(
nn.Linear( 100, 3072 ),
nn.Unflatten( 1, ( 48, 4, 4 )),
nn.ConvTranspose3d( 48, 32, 4, 2, 1 ), # 4 -> 8
nn.BatchNorm3d( 32 ),
nn.Tanh(),
nn.ConvTranspose3d( 32, 16, 4, 2, 1 ), # 8 -> 16
nn.BatchNorm3d( 16 ),
nn.Tanh(),
nn.ConvTranspose3d( 16, 8, 4, 2, 1 ), # 16 -> 32
nn.BatchNorm3d( 8 ),
nn.Tanh(),
)
def reparametrize( self, mu, logvar ):
std = torch.exp( 0.5 * logvar )
eps = torch.randn_like( std )
return mu + eps * std
def encode( self, x ) :
x = self.encoder( x )
x = x.view( -1, x.size( 1 ))
mu = self.fc_mu( x )
logvar = self.fc_logvar( x )
return self.reparametrize( mu, logvar ), mu, logvar
def decode( self, x ):
return self.decoder( x )
def forward( self, data ):
z, mu, logvar = self.encode( data )
return self.decode( z ), mu, logvar 我得到的错误是：RuntimeError: mat1 and mat2 shapes cannot be multiplied (64x48 and 3072x100)。我认为我已经正确地计算了每一层的输出尺寸，但我一定是弄错了，但我不确定在哪里。