将 AlexNet 的第一层在 lua 中并行化
2017-6-27 0:49:6
收藏:0
阅读:83
评论:1
我正在尝试在 Torch,Lua 中为 Alexnet 的第一层添加并行表。我想要将两个带有 RGB 图像的批次传递到网络中,然后将它们的加法发送到下一层。例如:假设我想要将带有 6 个通道的图像发送到 alexnet 的第一层,但在这种情况下,我想要将两个每个包含 3 个通道的批次发送到第一个并行层中,将它们合并,然后将输出发送到下一层。 实际的代码如下所示:
net = nn.Sequential()
net:add(nn.SpatialConvolution(3,96,11,11,4,4,2,2))
net:add(nn.SpatialBatchNormalization(96))
net:add(nn.ReLU(true))
net:add(nn.SpatialMaxPooling(3,3,2,2))
net:add(nn.SpatialConvolution(96,256,5,5,1,1,2,2))
net:add(nn.SpatialBatchNormalization(256))
net:add(nn.ReLU(true))
net:add(nn.SpatialMaxPooling(3,3,2,2))
net:add(nn.SpatialConvolution(256,384,3,3,1,1,1,1))
我认为会起作用的代码是:
net = nn.Sequential()
c = nn.ParallelTable()
c:add(nn.SpatialConvolution(3,48,11,11,4,4,2,2))
c:add(nn.SpatialConvolution(3,48,11,11,4,4,2,2))
net:add(c)
net:add(nn.JoinTable(1,8))
net:add(nn.SpatialBatchNormalization(96))
net:add(nn.ReLU(true))
net:add(nn.SpatialMaxPooling(3,3,2,2))
我得到的错误是:
在 nn.ParallelTable 的 1 个模块中: /torch/install/share/lua/5.1/cudnn/init.lua:171:断言失败!
我想知道我在实现中犯了什么错误,希望得到帮助。
谢谢
点赞
评论区的留言会收到邮件通知哦~
推荐文章
- Lua 虚拟机加密load(string.dump(function)) 后执行失败问题如何解决
- 我想创建一个 Nginx 规则,禁止访问
- 如何将两个不同的lua文件合成一个 东西有点长 大佬请耐心看完 我是小白研究几天了都没搞定
- 如何在roblox studio中1:1导入真实世界的地形?
- 求解,lua_resume的第二次调用继续执行协程问题。
- 【上海普陀区】内向猫网络招募【Skynet游戏框架Lua后端程序员】
- SF爱好求教:如何用lua实现游戏内调用数据库函数实现账号密码注册?
- Lua实现网站后台开发
- LUA错误显式返回,社区常见的规约是怎么样的
- lua5.3下载库失败
- 请问如何实现文本框内容和某个网页搜索框内容连接,并把网页输出来的结果反馈到另外一个文本框上
- lua lanes多线程使用
- 一个kv数据库
- openresty 有没有比较轻量的 docker 镜像
- 想问一下,有大佬用过luacurl吗
- 在Lua执行过程中使用Load函数出现问题
- 为什么 neovim 里没有显示一些特殊字符?
- Lua比较两个表的值(不考虑键的顺序)
- 有个lua简单的项目,外包,有意者加微信 liuheng600456详谈,最好在成都
- 如何在 Visual Studio 2022 中运行 Lua 代码?

你的错误出现在
net:add(nn.JoinTable(1,8))这一行,应该把 8 改成 3。这个值是你输入张量的维数(不计 batch 维度),在这里,你输入的是 3D 图像,所以应该写成net:add(nn.JoinTable(1,3))。我使用了下面的代码,一切都很顺利
require 'nn' require 'cutorch' require 'cunn' require 'cudnn' net = nn.Sequential() c = nn.ParallelTable() c:add(nn.SpatialConvolution(3,48,11,11,4,4,2,2)) c:add(nn.SpatialConvolution(3,48,11,11,4,4,2,2)) net:add(c) net:add(nn.JoinTable(1,3)) net:add(nn.SpatialBatchNormalization(96)) net:add(nn.ReLU(true)) net:add(nn.SpatialMaxPooling(3,3,2,2)) net:cuda() input1 = torch.rand(128,3,227, 227):cuda() input2 = torch.rand(128,3,227,227):cuda() out = net:forward({input1, input2}) print(out:size())