本文主要是介绍dyn_unet训练过程中的错误，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
网络训练错误总结
- 1.AssertionError: ground truth has different shape (torch.Size([2, 2, 128, 128, 32])) from input (torch.Size([3, 2, 128, 128, 32]))
1.AssertionError: ground truth has different shape (torch.Size([2, 2, 128, 128, 32])) from input (torch.Size([3, 2, 128, 128, 32]))
想要通过交叉验证的方式训练网络，写好了交叉验证的代码之后，将后面的网络训练代码复制过来，运行时报错。错误如下：
在网络训练代码上debug，观察到输入image和label的中、尺寸都是[2, 1, 128, 128, 32],但是model输出尺寸为[2, 3, 2, 128, 128, 32]
（我的图像是三维图像，加载图像时全部resize为[128, 128, 32], batch_size设置为2，网络输入通道数为1，输出通道数为2）。
经过查看dyn_unet的源码注释，发现是monai版本更新后，模型输出的形式有所改变：
monai 0.4.0 版本的参数注释如下。
在这里面，我使用了深监督，monai0.4.0使用深监督后的输出是一个列表，这个列表里包含3个tensor，是不同尺度下的特征图，在计算loss的时候，将这三个特征图分别与label进行计算，再取加权和。
monai 0.5.0 版本的参数注释如下：
在0.5.0这个版本中，使用深监督的输出不再是一个列表，而是一个组合的tensor.如上边注释给出的例子一样。如果三个特征图（二维）的尺寸分别为(1, 2, 32, 24), (1, 2, 16, 12)和 (1, 2, 8, 6)，则会将所有特征图的尺寸都变为与最大尺寸相同，即变为(1, 2, 32, 24)，然后最终输出一个组合的tensor，其尺寸为(1, 3, 2, 8, 6)。这个时候，如果我们要分别提取三个特征图，就不能再简单的对列表进行索引了，而是要使用解除绑定指令torch.unbind()先将绑定的tensor解除绑定再分别计算loss.
以下是针对我自己代码的loss进行的改动：
在原来代码中加入preds = list(torch.unbind(preds, dim=1))，错误解除。
def _compute_loss(preds, label):preds = list(torch.unbind(preds, dim=1))labels = [label] + [interpolate(label, pred.shape[2:]) for pred in preds[1:]]return sum([0.5 ** i * loss_function(p, l) for i, (p, l) in enumerate(zip(preds, labels))])
这篇关于dyn_unet训练过程中的错误的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
