pytorch - 预期步幅为单个整数值或 1 个值的列表以匹配卷积维度，但得到 stride=[1, 1]

Question

我读过 this question但它似乎没有回答我的问题:(。

所以基本上我正在尝试对游戏蛇进行矢量化，以便它可以运行得更快。这是我到目前为止的代码:

import torch
import torch.nn.functional as F
device = torch.device("cpu")
class SnakeBoard:
  def __init__(self, board=None):
    if board != None:
      self.channels = board
    else:
      # 0 - Food, 1 - Head, 2 - Body
      self.channels = torch.zeros(1, 3, 15, 17,
                                  device=device)

      # Initialize game channels
      self.channels[:, 0, 7, 12] = 1
      self.channels[:, 1, 7, 5] = 1
      self.channels[:, 2, 7, 2:6] = torch.arange(1, 5)
    self.move()

  def move(self):
    self.channels[:, 2] -= 1
    F.relu(self.channels[:, 2], inplace=True)
    # Up movement test
    F.conv2d(self.channels[:, 1], torch.tensor([[[0,1,0],[0,0,0],[0,0,0]]]), padding=1)

SnakeBoard()

channels中的第一个维度代表batch size，第二个维度代表贪吃蛇游戏的3个 channel :食物、头部和 body ，最后第三个和第四个维度代表棋盘的高度和宽度。

不幸的是，运行代码时出现错误:预期步幅为单个整数值或 1 个值的列表以匹配卷积维度，但步幅=[1, 1]

我该如何解决这个问题？

Answer 1

卷积输入的维度对于 2D 卷积是不正确的。让我们看看您传递给 F.conv2d 的维度:

self.channels[:, 1].size()
# => torch.Size([1, 15, 17])
torch.tensor([[[0,1,0],[0,0,0],[0,0,0]]]).size()
# => torch.Size([1, 3, 3])

正确的尺寸应该是

• 输入:(batch_size、in_channels、高度、宽度)
• 权重:(out_channels、in_channels、kernel_height、kernel_width)

因为您的权重只有 3 个维度，所以它被认为是一维卷积，但是由于您调用了 F.conv2d，步长和填充将是元组，因此它不会起作用。

对于您为第二个维度编制索引的输入，它会选择跨该维度的特定元素并消除该维度。要保持该维度，您可以仅使用一个元素的切片对其进行索引。对于重量，您也缺少一维，可以直接添加。此外，您的权重是 torch.long 类型，因为您在创建张量时仅使用整数，但权重需要是 torch.float 类型。

F.conv2d(self.channels[:, 1:2], torch.tensor([[[[0,1,0],[0,0,0],[0,0,0]]]], dtype=torch.float), padding=1)

---

另一方面，我认为卷积不适合此用例，因为您没有使用卷积的关键属性，即捕获周围环境。这些只是太多不必要的计算，无法实现您想要的，其中大部分是与 0 的乘法。

例如，通过删除第一行并在末尾添加一行新的零来实现向上移动要容易得多，因此所有内容都向上移动(假设第一行是顶部，最后一行是板的底部)。

head = self.channels[:, 1:2]
batch_size, channels, height, width = head.size()
# Take everything but the first row of the head
# Add a row of zeros to the end by concatenating them across the height (dimension 2)
new_head = torch.cat([head[:, :, 1:], torch.zeros(batch_size, channels, 1, width)], dim=2)

# Or if you want to wrap it around the board, it's even simpler.
# Move the first row to the end
wrap_around_head = torch.cat([head[:, :, 1:], head[:, :, 0:1]], dim=2)