convLSTM 大小不匹配

Posted 2023-03-28

【中文标题】convLSTM 大小不匹配

【英文标题】：convLSTM size mismatch

【发布时间】：2020-03-21 05:48:08

【问题描述】：

我正在尝试仅实现卷积 LSTM 的一个单元并在其中传递一个张量 (1,3,128,128)。我收到尺寸不匹配错误。

    class ConvLSTMCell(nn.Module):
        def __init__(self, input_size, input_dim, hidden_dim, kernel_size, bias):
            """
            Parameters
            ----------
            input_size: (int, int)
                Height and width of input tensor as (height, width).
            input_dim: int
                Number of channels of input tensor.
            hidden_dim: int
                Number of channels of hidden state.
            kernel_size: (int, int)
                Size of the convolutional kernel.
            bias: bool
                Whether or not to add the bias.
            """
            super(ConvLSTMCell, self).__init__()

            self.height, self.width = input_size
            self.input_dim  = input_dim
            self.hidden_dim = hidden_dim

            self.kernel_size = kernel_size
            # self.padding     = kernel_size[0] // 2, kernel_size[1] // 2
            self.bias        = bias

            self.conv = nn.Conv2d(in_channels=self.input_dim + self.hidden_dim,
                              out_channels=4 * self.hidden_dim,
                              kernel_size=self.kernel_size,
                              #padding=self.padding,
                              bias=self.bias)

        def forward(self, input, prev_state):
            h_prev, c_prev = prev_state
            print('x: \nh_prev: \nc_prev: '.format(x.size(), h_prev.size(), c_prev.size()))
            combined = torch.cat((input, h_prev), dim=1) # concatenate along channel axis
            print('combined: '.format(combined.size()))

            combined_conv = self.conv(combined)
            print('combined_conv: '.format(combined_conv.size()))
            cc_i, cc_f, cc_o, cc_g = torch.split(combined_conv, self.hidden_dim, dim=1)
            print('cc_i: \ncc_f: \ncc_o: \ncc_g: '.format(cc_i.size(), cc_f.size(),   cc_o.size(), cc_g.size()))

            i = torch.sigmoid(cc_i)
            f = torch.sigmoid(cc_f)
            o = torch.sigmoid(cc_o)
            g = torch.tanh(cc_g)
            print('i: \nf: \no: \ng: '.format(i.size(), f.size(), o.size(), g.size()))

            c_cur = f * c_prev + i * g
            h_cur = o * F.tanh(c_cur)
            print('c_cur: \nh_cur: '.format(c_cur.size(), h_cur.size()))

            return h_cur, c_cur

        def init_hidden(self, batch_size):
            return (Variable(torch.zeros(batch_size, self.hidden_dim, self.height, self.width)),
                    Variable(torch.zeros(batch_size, self.hidden_dim, self.height, self.width)))



    x = torch.randn(1,3,128,128)
    model = ConvLSTMCell(input_size=(128,128), input_dim=3, hidden_dim=3, kernel_size=(5,5),
                         bias=True)
    hc = model.init_hidden(batch_size=1)
    if gpu:
        x.cuda()
        model.cuda()
        hc.cuda()

    out = model(x, hc)
    print(out.size())

我收到以下错误：

x:torch.Size([1, 3, 128, 128])

h_prev: torch.Size([1, 3, 128, 128])

c_prev: torch.Size([1, 3, 128, 128])

组合：torch.Size([1, 6, 128, 128])

combined_conv: torch.Size([1, 12, 124, 124])

cc_i:torch.Size([1, 3, 124, 124])

cc_f: torch.Size([1, 3, 124, 124])

cc_o:torch.Size([1, 3, 124, 124])

cc_g: torch.Size([1, 3, 124, 124])

i:torch.Size([1, 3, 124, 124])

f:torch.Size([1, 3, 124, 124])

o:torch.Size([1, 3, 124, 124])

g:torch.Size([1, 3, 124, 124])

Traceback（最近一次调用最后一次）：

文件“trial.py”，第 87 行，在

out = 模型(x, hc)

文件“/Users/abcde/opt/anaconda3/envs/matrix/lib/python3.7/site-packages/torch/nn/modules/module.py”，第 541 行，在 call

result = self.forward(*input, **kwargs)

文件“trial.py”，第 66 行，向前

c_cur = f * c_prev + i * g

RuntimeError: 张量 a (124) 的大小必须匹配张量 b (128) 在非单例>维度 3 的大小

我希望使用它构建一个由 17 个单元组成的网络，并且我想使用每个单元的输出来计算相对于基本事实的损失。基本事实是 18 (3,128,128) 张图像。

如何让我的网络输出相同大小的隐藏状态？

【参考方案1】：

由于边界效应，您的输出较小 - 卷积运算仅计算内核可以完全适合输入形状的坐标处的值。最简单的解决方案是将填充应用于您的卷积层（您似乎已经尝试过，有什么问题吗？）。如果您的内核大小为 5，则应填充 2，然后卷积输出将与输入具有相同的形状。

【讨论】：

我不敢相信我不记得评论那部分了：| , 感谢您的关注。那行得通！我同时在做很多项目，所以一定错过了。