我试图将最后一个卷积层的输出传递到FCC层，但我在处理维度上遇到了困难。默认情况下，网络使用AdaptiveAvgPool2d(output_size=(6, 6))，这不允许我为了重现性目的使用torch.use_deterministic_algorithms(True)。这是我得到的错误：
*mat1 dim 1 must match mat2 dim 0* (10): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (11): ReLU(inplace=True) (12): MaxPool2d(kernel_size=3, stride=2, padding=0, dilation=1, ceil_mode=False) ) (avgpool): AdaptiveAvgPool2d(output_size=(6, 6)) (classifier): Sequential( (0): Dropout(p=0.5, inplace=False) (1): Linear(in_features=9216, out_features=4096, bias=True)输入张量的形状是：[10, 3, 350, 350]。来自最后一个Conv2d/MaxPool2d层的张量形状是：torch.Size([10, 256, 9, 9])。我认为FCC的输入数量应该是256 x 9 x 9 = 20736，但这也不起作用。
这里是我用于将CONV层的输出传递到FCC层的类：
class Identity(nn.Module): def __init__(self): super(Identity, self).__init__() def forward(self, x): print('SHAPE', np.shape(x)) return x这个想法来自于视频：https://www.youtube.com/watch?v=qaDe0qQZ5AQ&t=301s。非常感谢您的帮助。
回答：
TLDR; 你的全连接层的神经元数量没问题，你的形状有问题。
-
在你的CNN和分类器之间的
nn.AdaptativeAveragePool2d层会输出一个形状为(10, 256, 6, 6)的张量，因为你已经用output_size初始化为(6, 6)。因此，第一个全连接层应该有256*6*6个神经元。self.fc = nn.Linear(in_features=9216, out_features=4096)
这与你当前模型的设置相匹配，而不是你提出的20736…
-
你的分类器输入形状应该被扁平化，可以通过定义一个扁平化层
nn.Flatten来实现（或者使用内联替代方案）。首先在初始化器中定义你的层：self.flatten = nn.Flatten()然后
>>> x.shape # nn.AdaptativeAveragePool2d 输出torch.Size([10, 256, 6, 6])>>> self.flatten(x)torch.Size([10, 9216])
