c++ - 如果我改变形状，Pytorch C++ (libtorch) 会输出不同的结果

Question

所以我现在正在学习神经网络，我注意到我的网络中有一些非常奇怪的东西。
我有一个像这样创建的输入层

convN1 = register_module("convN1", torch::nn::Conv2d(torch::nn::Conv2dOptions(4, 256, 3).padding(1)));

和一个输出层，它是一个 tanh 函数。

所以它期待一个torch::Tensor的形状
{/batchSize/, 4,/sideLength/,/sideLength/} 这将输出一个只有 1 个浮点值的张量。

因此，为了进行测试，我创建了一个形状为 {4, 15, 15} 的自定义张量。

真正奇怪的部分是下面发生的事情

auto inputTensor = torch::zeros({ 1, 4, 15, 15});
inputTensor[0] = customTensor;
std::cout << network->forward(inputTensor); // Outputs something like 0.94142

inputTensor = torch::zeros({ 32, 4, 15, 15});
inputTensor[0] = customTensor;
std::cout << network->forward(inputTensor); // Outputs something like 0.1234 then 0.8543 31 times

那么为什么 customTensor 从我的网络中获得 2 个不同的值只是因为批量大小发生了变化？我不了解张量如何工作的某些部分吗？

附言我做了检查，上面的代码块在 eval 模式下运行。

编辑:既然有人问过这里，请更深入地了解我的网络

convN1 = register_module("convN1", torch::nn::Conv2d(torch::nn::Conv2dOptions(4, 256, 3).padding(1)));
batchNorm1 = register_module("batchNorm1", torch::nn::BatchNorm2d(torch::nn::BatchNormOptions(256)));

m_residualBatch1 = register_module(batch1Name, torch::nn::BatchNorm2d(torch::nn::BatchNormOptions(256)));
m_residualBatch2 = register_module(batch2Name, torch::nn::BatchNorm2d(torch::nn::BatchNormOptions(256)));
m_residualConv1 = register_module(conv1Name, torch::nn::Conv2d(torch::nn::Conv2dOptions(256, 256, 3).padding(1)));
m_residualConv2 = register_module(conv2Name, torch::nn::Conv2d(torch::nn::Conv2dOptions(256, 256, 3).padding(1)));

valueN1 = register_module("valueN1", torch::nn::Conv2d(256, 2, 1));
batchNorm3 = register_module("batchNorm3", torch::nn::BatchNorm2d(torch::nn::BatchNormOptions(2)));
valueN2 = register_module("valueN2", torch::nn::Linear(2 * BOARD_LENGTH, 64));
valueN3 = register_module("valueN3", torch::nn::Linear(64, 1));

它是如何前进的

torch::Tensor Net::forwadValue(torch::Tensor x)
{
    x = convN1->forward(x);
    x = batchNorm1->forward(x);
    x = torch::relu(x);

    torch::Tensor residualCopy = x.clone();
    x = m_residualConv1->forward(x);
    x = m_residualBatch1->forward(x);
    x = torch::relu(x);
    x = m_residualConv2->forward(x);
    x = m_residualBatch2->forward(x);
    x += residualCopy;
    x = torch::relu(x);

    x = valueN1->forward(x);
    x = batchNorm3->forward(x)
    x = torch::relu(x);
    x = valueN2->forward(x.reshape({ x.sizes()[0], 30 }))
    x = torch::relu(x);
    x = valueN3->forward(x)
    return torch::tanh(x);
}

Answer 1

谢谢@MichaelJungo，事实证明你是对的，我的一个 BatchNorm2d 没有设置为评估模式。一开始我不清楚注册模块是如何工作的(在某种程度上仍然如此)，所以我重载了::train() 函数以手动将我的所有模块设置为必要的模式。

在其中，我忘记将我的一个 BatchNorm 模块设置为正确的模式，这样做使这一切都保持一致，非常感谢!