彻底解决Torch[mat1 dim 1 must match mat2 dim 0]

原创已于 2022-02-21 17:21:05 修改 · 5k 阅读

5 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #pytorch #机器学习

于 2022-02-21 16:55:54 首次发布

神经网络同时被 2 个专栏收录

2 篇文章

订阅专栏

pytorch

1 篇文章

订阅专栏

博客讨论了深度学习中卷积层后的操作，通常需要通过view函数将多维数据展平为一维，以便输入全连接层。全连接层要求输入是一维的，因为它们处理每个节点与所有其他节点之间的连接。文章举例说明了view函数的工作原理，并展示了如何在PyTorch中定义全连接层。重点在于理解卷积层与全连接层在神经网络架构中的交互作用。

如果是卷积之后的层

一定要先化为一个维度

exp:

x = x.view(x.size(),-1)

ps:

view函数的解释

把原先tensor中的数据按照行优先的顺序排成一个一维的数据（这里应该是因为要求地址是连续存储的），然后按照参数组合成其他维度的tensor。比如说是不管你原先的数据是[[[1,2,3],[4,5,6]]]还是[1,2,3,4,5,6]，因为它们排成一维向量都是6个元素，所以只要view后面的参数一致，得到的结果都是一样的。比如

a=torch.Tensor([[[1,2,3],[4,5,6]]])
b=torch.Tensor([1,2,3,4,5,6])

print(a.view(1,6))
print(b.view(1,6))

得到的结果都是tensor([[1., 2., 3., 4., 5., 6.]])

等于是将不同维度的数据化为一个维度，因为全连接层是只能接受一维度的数据的

由图可见全连接层必须是一维数据：

同时全连接下一层的输入必须上一层的输出

exp:

self.fc1 = nn.Linear(64*12*4, 256)
self.fc2 = nn.Linear(256, 128)
self.fc3 = nn.Linear(128, 64)