RuntimeError: Input type (torch.cuda.FloatTensor) and weight type (torch.FloatTensor) should be the same
当想要测试搭建的网络,看看各个过程的输出形状,随便创建个固定shape的输入如下
search_var = torch.FloatTensor(1, 3, 255, 255).cuda()
观察报错的问题,发现是输入 是 torch.cuda.FloatTensor类型的,而 weight是 torch.FloatTensor类型的,所以,需要把 model 放到cuda上才行。
解决:
model =model.cuda()
这个是由于在 设计 points时产生的问题,由于定义类中的
- class PointTarget:
- def __init__(self):
-
-
-
- def __call__(self, target, size, neg=False):
-
-
__init__ 和 __call__ 传入参数冲突引起的,故需要做出改变。
而且在利用类时一定要首先初始化实例对象,
分类损失函数,用的focal loss, 所以送入之前数据需要映射到0~1之间,故需要进行一下sigmoid运算 。
这个可能由于搭建网络结构时,某层的网络的输出没有规一化或者 relu 输出,导致输出值不正常
若config.yaml中设置的参数值同时也出现在了config.py文件中的话,一定要确保config.py文件中参数设置的值 与 config.yaml中设置的一致
可以设置
--nproc_per_node=1
但第二天早上 又 设置成 2又不卡了。
首先根据设计的方法搭建模型,编写代码。 搭建模型的过程中 分部分来完成,即先完成基础的每个部分,然后将它们连接在一起。比如举例来说 分成了 backbone 和 head。
最后通过创建一个model类来完成模型的前向传播过程,这个会继承pytorch的nn.Module类
可以随便创建哥输入变量,然后一步一步看看传输过程中特征shape的变化,创建tensor变量的语句如下
- template_var = torch.rand((1, 3, 127, 127))
- search_var = torch.rand((1, 3, 255, 255))
搭建完网络结构之后,可以通过model得到想要的输出形式,然后接下来就是损失函数的设计与实现。首先,根据损失函数的需要,先把整个流程确定下来。在这个过程中,涉及到 标签的get,根据想要的输出怎么得到对应的标签呢?标签的shape 一般来说都是与 model 的output shape 相对应的。这里 标签一定要与 得到的预测输出一一对应,与之相联系的就是在进行标签和预测输出进行 permute 和 torch.cat 等等操作时shape变换的对应。
- 1) 创建points
- 2) 得到标签 cls 和 reg
- 3) 组成data 正式训练时构建 dataloader
- 4) 搭建模型 model
- 5) 数据送入model,得到预测输出
-
-
-
- 1) 注意data的重新设置。 data中的标签看看是否匹配了
- 2) 注意训练时 model 的 forward 过程,是否顺利
- 3) 网络中各模块学习率和优化器的设置,注意这方面的解耦
学习率的设置 是通过字典来设置的,参数 和 lr 键 以及再设置对应的值
4. 推理过程
推理过程与训练过程是两个截然不同的部分,一般推理过程和训练过程在同一个tracker类里,不过它们需要分开去定义自己的流程。