报错：RuntimeError: mat1 and mat2 shapes cannot be multiplied (20x10368 and 180000x128)

可能是导致维度不匹配的原因。为了确保输入到全连接层的维度正确，、需要计算经过卷积层和池化层后的特征图尺寸。：假设输入图像的尺寸是 H \W（高度和宽度），例如 H = 300,W = 300。找到错误代码，是由于模型处计算错误。这段代码中的全连接层。错误表示：矩阵的维度不匹配，导致无法完成矩阵相乘操作。

早上睡觉下午睡觉晚上不睡觉

1898人浏览 · 2024-10-21 10:42:37

早上睡觉下午睡觉晚上不睡觉 · 2024-10-21 10:42:37 发布

错误表示：矩阵的维度不匹配，导致无法完成矩阵相乘操作。

找到错误代码，是由于模型处计算错误。这段代码中的全连接层 self.fc1 = nn.Linear(32 * 75 * 75, 128) 可能是导致维度不匹配的原因。为了确保输入到全连接层的维度正确，、需要计算经过卷积层和池化层后的特征图尺寸。

 def __init__(self, num_classes):
        super(ConvolutionalNeuralNetwork, self).__init__()
        self.conv1 = nn.Conv2d(3, 16, kernel_size=3, stride=1, padding=1)
        self.conv2 = nn.Conv2d(16, 32, kernel_size=3, stride=1, padding=1)
        self.fc1 = nn.Linear(32 * 75 * 75, 128)  # 根据图像维度调整输入大小
        self.fc2 = nn.Linear(128, num_classes)
        self.relu = nn.ReLU()
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)

输入图像尺寸：假设输入图像的尺寸是 H \W（高度和宽度），例如 H = 300,W = 300。
卷积层和池化层的影响：
- 每次卷积层后，特征图的尺寸计算公式为：新尺寸=（原尺寸−核大小+2×padding）/stride+1
- 对于 self.conv1 和 self.conv2，尺寸保持不变。
- 然后进行一次最大池化，尺寸减半。
计算特征图尺寸：
- 假设输入图像尺寸为 300 \ 300，经过两次卷积和一次池化后的尺寸为：特征图尺寸=(300/2)×(300/2)=150×150
意味着在原始图像为300时，全连接层的特征图尺寸是75*75.但是在代码中原始图像输入是75*75，于是修改原始图像大小为300*300，问题解决！
```
IMG_SIZE = 300
```