解决烧心最快方法 花生（解决ValueError: Expected input batch_size (40) to match target batch_size (8).）
已解决！！！有bug不要放弃一定要细心追根溯源 ，花点时间很正常的 。
1：bug出现的地方
根据报错的信息 ，我们可以定位在损失函数losses = loss_function_train(pred_scales, target_scales) ，还有在损失函数的原函数处class CrossEntropyLoss2d(nn.Module):
2：什么原因导致的bug：
这是由于维度不匹配导致的 ，那是什么维度不匹配？ ，以及那两个维度不匹配的呢？ 。
①：在网上冲浪了大半天 ，大部分都是因为view函数使用错误 ，导致nn.linear函数的输入和输出不匹配 。因此需要回模型检查view函数前的维度 ，通过print函数检查view函数输入前的维度 ，经过我认真检查维度 ，对每一个层都进行print后发现模型维度没有任何的错误 ，所以这个方法不适用于我 ，但是还把链接放在这里大家检查一下自己的模型batch维度不匹配 。
②：然后我就在losses处前面加上print,即打印pred_scales ，target_scales的shape 。
# print(pred_scales.shape) #torch.Size([8, 40, 448, 448]) # print(target_scales.shape) #torch.Size([8, 448, 448]) losses = loss_function_train(pred_scales, target_scales)这里还有一个小插曲 ，刚开始target_scales的size还打印不出来 ，是因为target_scales是一个列表 ，里面是totch ，经过分析把target_scales旁边的中括号去掉就可以打印了 。
这里我们看一下pred_scales ，target_scales到底是啥：
pred_scales = model(image, depth) if modality in [rgbd, rgb]: image = sample[image].to(device) # print(image.shape) #torch.Size([8, 3, 448, 448]) batch_size = image.data.shape[0] if modality in [rgbd, depth]: depth = sample[depth].to(device) # print(depth.shape) #torch.Size([8, 1, 448, 448]) batch_size = depth.data.shape[0] # print(batch_size) # 8 target_scales = sample[label].to(device)model是我们实例化后的模型 ，这里将rgb和depth输入 ，pred_scales就是我们的模型输出 ，这里是(8,40,448,448) ，target_scales是标签 。这里我们可以看出target_scales是sample列表中[label]索引对应的数据 ，同理image和depth也是rgb和depth索引对应的数据 。
而sample是什么呢？
train_data = Dataset( data_dir=args.dataset_dir, split=train, depth_mode=depth_mode, with_input_orig=with_input_orig, **dataset_kwargs) train_loader = DataLoader(train_data, batch_size=args.batch_size, num_workers=args.workers, drop_last=True, shuffle=True) train_loader, valid_loader = data_loaders for i, sample in enumerate(train_loader):我们看一下数据传递的流程 ，首先获取data路径 ，经过dataset获得图片 ，然后经过dataloader取一个batch的数据得到trainloader ，遍历trainloader的列表 ，得到索引i和数据sample 。因为trainloader取的一个batch=8的数据 ，所以samle里面包含了image ，depth ，label他们的大小分别为torch.Size([8, 3, 448, 448]) ，torch.Size([8, 1, 448, 448]) ，torch.Size([8, 448, 448]) 。即
pred_scales大小为(8,40,448,448) ，我们有40个类别 ，target_scales大小为torch.Size([8, 448, 448]) 。
这里延伸一下pytorch如何进行损失函数计算 参考：
标签没有通道 ，每一个像素代表一个类别 ，且大小和图片的输入相同 ，为什么不需要one-hot编码是因为pytorch自动进行编码了 。这里有一个坑：预测值和标签进行损失计算 ，他们两个都必须有batch ，否则是不能计算成功的 。
下面一个例子演示一下：
inputs_scales = torch.rand(8,40,448,448) targets_scales = torch.rand(8,448,448) for inputs, targets in zip(inputs_scales, targets_scales): # inputs = inputs.unsqueeze(0) # targets = targets.unsqueeze(0) print(inputs.shape) print(targets.shape) loss2 = nn.CrossEntropyLoss() result2 = loss2(inputs, targets.long()) print(result2) torch.Size([40, 448, 448]) torch.Size([448, 448]) Traceback (most recent call last): File "/tmp/pycharm_project_346/kong.py", line 816, in <module> result2 = loss2(inputs, targets.long()) File "/home/software/anaconda3/envs/pycharm329/lib/python3.7/site-packages/torch/nn/modules/module.py", line 1130, in _call_impl return forward_call(*input, **kwargs) File "/home/software/anaconda3/envs/pycharm329/lib/python3.7/site-packages/torch/nn/modules/loss.py", line 1166, in forward label_smoothing=self.label_smoothing) File "/home/software/anaconda3/envs/pycharm329/lib/python3.7/site-packages/torch/nn/functional.py", line 3014, in cross_entropy return torch._C._nn.cross_entropy_loss(input, target, weight, _Reduction.get_enum(reduction), ignore_index, label_smoothing) ValueError: Expected input batch_size (40) to match target batch_size (448).类似于题目中的bug是吧！
我们增加batch维度后：batch为8 ，所以遍历八次 ，每次都做损失计算 。
inputs_scales = torch.rand(8,40,448,448) targets_scales = torch.rand(8,448,448) for inputs, targets in zip(inputs_scales, targets_scales): inputs = inputs.unsqueeze(0) targets = targets.unsqueeze(0) print(inputs.shape) print(targets.shape) loss2 = nn.CrossEntropyLoss() result2 = loss2(inputs, targets.long()) print(result2) torch.Size([1, 40, 448, 448]) torch.Size([1, 448, 448]) tensor(3.7298) torch.Size([1, 40, 448, 448]) torch.Size([1, 448, 448]) tensor(3.7283) torch.Size([1, 40, 448, 448]) torch.Size([1, 448, 448]) tensor(3.7302) torch.Size([1, 40, 448, 448]) torch.Size([1, 448, 448]) tensor(3.7282) torch.Size([1, 40, 448, 448]) torch.Size([1, 448, 448]) tensor(3.7296) torch.Size([1, 40, 448, 448]) torch.Size([1, 448, 448]) tensor(3.7296) torch.Size([1, 40, 448, 448]) torch.Size([1, 448, 448]) tensor(3.7289) torch.Size([1, 40, 448, 448]) torch.Size([1, 448, 448]) tensor(3.7292)在损失的定义中：
inputs_scales和 targets_scales的维度分别为torch.Size([8, 40, 448, 448]),torch.Size([8, 448, 448]) ，遍历inputs_scales和 targets_scales ，他们的维度就是如下 ，他们是不能进行损失计算的 。
print(targets.shape) torch.Size([448, 448]) print(inputs.shape) torch.Size([40, 448, 448]) class CrossEntropyLoss2d(nn.Module): def __init__(self, device, weight): super(CrossEntropyLoss2d, self).__init__() self.weight = torch.tensor(weight).to(device) self.num_classes = len(self.weight) + 1 # +1 for void if self.num_classes < 2**8: self.dtype = torch.uint8 else: self.dtype = torch.int16 self.ce_loss = nn.CrossEntropyLoss( torch.from_numpy(np.array(weight)).float(), reduction=none, ignore_index=-1 ) self.ce_loss.to(device) def forward(self, inputs_scales, targets_scales): losses = [] for inputs, targets in zip(inputs_scales, targets_scales): # mask = targets > 0 # 返回一个和源张量同shape 、dtype和device的张量 ，与源张量不共享数据内存 ，但提供梯度的回溯 targets_m = targets.clone() targets_m -= 1 print(inputs.size()) print(targets_m.size()) loss_all = self.ce_loss(inputs, targets_m.long()) number_of_pixels_per_class = \ torch.bincount(targets.flatten().type(self.dtype), minlength=self.num_classes) divisor_weighted_pixel_sum = \ torch.sum(number_of_pixels_per_class[1:] * self.weight) # without void losses.append(torch.sum(loss_all) / divisor_weighted_pixel_sum) # losses.append(torch.sum(loss_all) / torch.sum(mask.float())) return losses3：如何解决？
所以我们要给遍历的两个数据增加维度 ，或者说遍历[8, 40, 448, 448] ，我们希望的输出是[1,40,448,448] ，直接增加维度也是同理 。然后我们就可以运行了 。
inputs = inputs.unsqueeze(0) targets = targets.unsqueeze(0) targets_m = targets.clone()总结：预测图和标签又要有batch这一维度 ，才能够匹配 ，才能够输入到损失函数中 。正好就对应了bug ，batch的不匹配 。
创心域SEO版权声明：以上内容作者已申请原创保护，未经允许不得转载，侵权必究！授权事宜、对本内容有异议或投诉，敬请联系网站管理员，我们将尽快回复您，谢谢合作！