模型训练过程中维度不统一

[aoligeigeigei]

您好，您在模型训练过程中是如何是如何将语音resize呢，从仓库下载的代码执行train.py的时候报错 RuntimeError: stack expects each tensor to be equal size, but got [227, 750] at entry 0 and [301, 750] at entry 1。您遇到过这样的问题吗？是如何解决的呢？

[yzyouzhang]

您好，我没有遇到这个问题，我把所有语音都是切到750帧的，看上去是您在拼接的时候维度没选对。请问是哪个文件哪一行报的错？

[aoligeigeigei]

报错原因是在dataset.py --> class ASVspoof2019 --> def getitem() 中的 feat_mat。上边报错的两个语音的初始维度是[227, 60]和[310， 60]，您的代码可以将其转为[227, 750], [310, 750]，但是报错的主要原因是227和310不相等。鉴于这个问题，我将他们都转成了[512, 750]，然后这一步可以执行通过了。

但是，之后又在dataset.py --> repeat_padding() 遇到问题，解决之后又在restnet.py里边遇到问题，现在还没有调通，卡在了restnet.py `
feat = self.fc(stats)

mu = self.fc_mu(feat)`

提示RuntimeError: mat1 dim 1 must match mat2 dim 0，

我将上边两行代码改为 `
feat = self.fc(stats.reshape(1, -1))

mu = self.fc_mu(feat.reshape(1, -1))`

后在这一步执行通过，但在train.py

lfcc_loss = criterion(lfcc_outputs,labels)`处报错，提示

ValueError: Expected input batch_size (1) to match target batch_size (16)

我不确定实部是因为最开始的时候将特征维度转成了[512, 750]而导致后边都会报错，谢谢您的帮助

[yzyouzhang]

您好，我用的是LFCC特征，这个特征在每一帧上的维度是60，所以每一条音频在提取完特征之后应该是Tx60这样的维度，然后我用了padding或者chop把T统一成750帧，这样的话每一条数据的特征应该是750x60。欢迎继续提问！