我在尝试使用TPSSpatialTransformerNetwork训练IAM数据集时，最终得到了一个错误：形状 ‘[-1, 2, 4, 28]’ 对于大小为 768 的输入是无效的

数据集中每张图像的大小为 (32,128)。我无法弄清楚错误步骤中得到的形状。以下是代码：

class TPS_SpatialTransformerNetwork(nn.Module):    def __init__(self):        super(TPS_SpatialTransformerNetwork, self).__init__()        self.conv1 = nn.Conv2d(1, 79, kernel_size=5)        self.conv2 = nn.Conv2d(79, 256, kernel_size=5)        self.conv2_drop = nn.Dropout2d()        self.fc1 = nn.Linear(256, 512)        self.fc2 = nn.Linear(512, 79)        # Spatial transformer localization-network        self.localization = nn.Sequential(            nn.Conv2d(1, 8, kernel_size=7),            nn.MaxPool2d(2, stride=2),            nn.ReLU(True),            nn.Conv2d(8, 79, kernel_size=5),            nn.MaxPool2d(2, stride=2),            nn.ReLU(True)        )        # Regressor for the 3 * 2 affine matrix        self.fc_loc = nn.Sequential(            nn.Linear(79 * 4 * 28, 32),            nn.ReLU(True),            nn.Linear(32, 3 * 2)        )        # Initialize the weights/bias with identity transformation        self.fc_loc[2].weight.data.zero_()        self.fc_loc[2].bias.data.copy_(torch.tensor([1, 0, 0, 0, 1, 0], dtype=torch.float))    # Spatial transformer network forward function    def stn(self, x):        xs = self.localization(x)        xs = xs.view(-1, 79 * 4 * 28)        theta = self.fc_loc(xs)        theta = theta.view(-1, 2, 4,28)        grid = F.affine_grid(theta, x.size())        x = F.grid_sample(x, grid)        return x    def forward(self, x):        # transform the input        x = self.stn(x)        # Perform the usual forward pass        x = F.relu(F.max_pool2d(self.conv1(x), 2))        x = F.relu(F.max_pool2d(self.conv2_drop(self.conv2(x)), 2))        x = x.view(-1, 320)        x = F.relu(self.fc1(x))        x = F.dropout(x, training=self.training)        x = self.fc2(x)        return F.log_softmax(x, dim=1)4 frames/content/drive/My Drive/OCR/transformation.py in stn(self, x)     41         xs = xs.view(-1, 79 * 4 * 28)     42         theta = self.fc_loc(xs)---> 43         theta = theta.view(-1, 2, 4,28)     44      45 RuntimeError: shape '[-1, 2, 4, 28]' is invalid for input of size 768

回答：

我在评论后进行了快速搜索，并找到了这个链接，它详细介绍了如何在pytorch中进行STN（在官方pytorch网站上）。我不知道你是如何得到你的调整大小命令的，但我最初评论中提出的建议似乎是正确的，你试图将6个特征调整到大小为[2,4,28]的矩阵中，这永远不会成功。如下所示，pytorch网站上的做法是：

def stn(self, x):    xs = self.localization(x)    xs = xs.view(-1, 10 * 3 * 3)    theta = self.fc_loc(xs)    theta = theta.view(-1, 2, 3) #<-----------KEY LINE HERE    grid = F.affine_grid(theta, x.size())    x = F.grid_sample(x, grid)    return x

其中theta张量是使用对应于深度为6的维度进行重塑的。

theta张量的大小为6的原因是它由self.fc_loc方法提供，该方法本身如下所示：

    self.fc_loc = nn.Sequential(        nn.Linear(79 * 4 * 28, 32),        nn.ReLU(True),        nn.Linear(32, 3 * 2)    )

如果我们看最后一行，可以看到这个顺序块的输出（其中每一行都是按照图中的顺序构建的，即顺序！）是一个线性块，具有32个输入和6个输出（3*2）。因此你的theta将是形状[-1, 6]，其中-1是这段代码中批次大小的占位符。