torch.size和torch.shape的区别

`torch.size()` 和 `torch.shape` 都是 PyTorch 中获取张量形状的方法，但是它们的返回值有所不同。

`torch.size()` 返回的是一个元组，其中包含了张量在每个维度上的长度。

而 `torch.shape` 返回的也是一个元组，其中包含了张量在每个维度上的长度，并且它们的顺序是与张量的维度顺序相同的。

举个例子，假设我们有一个形状为 `(2,3)` 的张量，我们可以使用这两个方法来获取它的形状：

import torch

x = torch.zeros((2, 3))
print(x.size())    # 输出 torch.Size([2, 3])
print(x.shape)     # 输出 torch.Size([2, 3])

可以看出，它们的返回值是相同的，只是形式略有不同。在代码中使用时，可以根据需要选择其中的任意一个。

相关问题

Error(s) in loading state_dict for LeNet: size mismatch for conv1.weight: copying a param with shape torch.Size([10, 1, 5, 5]) from checkpoint, the shape in current model is torch.Size([6, 1, 5, 5]). size mismatch for conv1.bias: copying a param with shape torch.Size([10]) from checkpoint, the shape in current model is torch.Size([6]). size mismatch for conv2.weight: copying a param with shape torch.Size([20, 10, 5, 5]) from checkpoint, the shape in current model is torch.Size([16, 6, 5, 5]). size mismatch for conv2.bias: copying a param with shape torch.Size([20]) from checkpoint, the shape in current model is torch.Size([16]). size mismatch for fc1.weight: copying a param with shape torch.Size([50, 320]) from checkpoint, the shape in current model is torch.Size([120, 256]). size mismatch for fc1.bias: copying a param with shape torch.Size([50]) from checkpoint, the shape in current model is torch.Size([120]). size mismatch for fc2.weight: copying a param with shape torch.Size([10, 50]) from checkpoint, the shape in current model is torch.Size([84, 120]). size mismatch for fc2.bias: copying a param with shape torch.Size([10]) from checkpoint, the shape in current model is torch.Size([84]).

这个错误信息提示我们在加载预训练模型的权重时，发现模型中的部分参数形状与当前创建的模型不匹配，具体来说，就是：

- `conv1.weight`的形状应该为`(6, 1, 5, 5)`，但是预训练模型中的形状为`(10, 1, 5, 5)`；
- `conv1.bias`的形状应该为`(6,)`，但是预训练模型中的形状为`(10,)`；
- `conv2.weight`的形状应该为`(16, 6, 5, 5)`，但是预训练模型中的形状为`(20, 10, 5, 5)`；
- `conv2.bias`的形状应该为`(16,)`，但是预训练模型中的形状为`(20,)`；
- `fc1.weight`的形状应该为`(120, 256)`，但是预训练模型中的形状为`(50, 320)`；
- `fc1.bias`的形状应该为`(120,)`，但是预训练模型中的形状为`(50,)`；
- `fc2.weight`的形状应该为`(84, 120)`，但是预训练模型中的形状为`(10, 50)`；
- `fc2.bias`的形状应该为`(84,)`，但是预训练模型中的形状为`(10,)`。

这个问题通常是由于预训练模型的结构与当前创建的模型结构不一致导致的。解决方法是在当前模型中手动修改这些参数的形状，使其与预训练模型的结构一致。

RuntimeError: Error(s) in loading state_dict for Wav2vec2Model: size mismatch for decoder.model.0.weight: copying a param with shape torch.Size([256, 512]) from checkpoint, the shape in current model is torch.Size([128, 512]). size mismatch for decoder.model.0.bias: copying a param with shape torch.Size([256]) from checkpoint, the shape in current model is torch.Size([128]). size mismatch for decoder.model.3.weight: copying a param with shape torch.Size([64, 256]) from checkpoint, the shape in current model is torch.Size([7, 128]). size mismatch for decoder.model.3.bias: copying a param with shape torch.Size([64]) from checkpoint, the shape in current model is torch.Size([7]).如何解决报错请举例

这个错误是由于在加载预训练模型的参数时，模型的某些层的维度和预训练模型的参数维度不匹配导致的。解决这个问题的方法是调整模型的参数维度，使其与预训练模型的参数维度相匹配。下面是一个简单的示例：

import torch

class MyModel(torch.nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.encoder = torch.nn.Linear(512, 256)
        self.decoder = torch.nn.Linear(256, 512)

    def forward(self, x):
        x = self.encoder(x)
        x = self.decoder(x)
        return x

model = MyModel()
pretrained_model = torch.load("pretrained_model.pth")

# 遍历预训练模型的参数，调整模型参数维度
for name, param in pretrained_model.items():
    if name.startswith("decoder"):
        if "weight" in name:
            param = param[:256, :]
        if "bias" in name:
            param = param[:256]
    model_dict = model.state_dict()
    model_dict[name].copy_(param)

# 在此处使用模型进行推理或训练

在上面的示例中，我们首先定义了一个自定义模型MyModel，其中包含一个512维的输入层和一个512维的输出层。然后我们加载了一个名为“pretrained_model.pth”的预训练模型，并遍历了其所有的参数。对于decoder层的参数，我们将其维度调整为与自定义模型相匹配。最后，我们使用调整后的模型进行推理或训练。