如何在Fashion-MNIST数据集上实现MobileNetV2？通道不匹配报错求解

你遇到的报错是输入数据和模型要求的输入规格不匹配导致的，具体存在两个不兼容点：

1. 通道数不匹配：Fashion-MNIST数据集是单通道灰度图，你输入模型的张量维度是[100, 1, 28, 28]，第二个维度是1代表单通道；但你实现的MobileNetV2第一层卷积的输入通道数固定为3（适配RGB三通道图像），卷积核权重维度是[32, 3, 3, 3]，要求输入必须有3个通道，因此触发维度不匹配报错。
2. 输入分辨率不匹配：MobileNetV2默认输入分辨率为224x224，且要求输入尺寸必须是32的倍数，而Fashion-MNIST的图像尺寸是28x28，不符合要求，就算解决了通道问题，后续多次下采样后特征图尺寸会变为0，还会触发新的报错。

你可以根据自己的需求选择以下任意一种方案：

方案1：修改网络适配Fashion-MNIST输入（推荐，计算量更小） #

• 修改第一层卷积的输入通道数：将MobileNetV2类__init__方法中构建第一层的代码

self.features = [conv_bn(3, input_channel, 2)]

修改为

self.features = [conv_bn(1, input_channel, 1)]

把输入通道改为1，同时把第一层步长从2改为1，减少下采样幅度。

• 调整倒残差块的下采样配置：把interverted_residual_setting列表里的步长参数适当修改，减少下采样次数，比如把前两个s=2的项改为s=1，保证经过所有下采样层后特征图尺寸为正整数。
• 调整模型输出配置：初始化模型时关闭预训练权重加载（预训练权重是三通道ImageNet训的，和修改后的网络不兼容），同时将分类头类别数改为10：

model = MobileNetV2(n_class=10, input_size=28)
# 不要调用带pretrained=True的mobilenet_v2函数，避免加载不匹配的预训练权重

• 训练代码优化：PyTorch 0.4版本之后Variable已经被弃用，直接使用Tensor即可，不需要套Variable()包装。

方案2：修改输入数据适配原网络结构 #

如果不想改动MobileNetV2的原生结构，可以在数据预处理阶段修改输入规格：
在构建train_loader和test_loader的transform中添加两个操作：

1. 把单通道灰度图转为3通道：transforms.Grayscale(num_output_channels=3)
2. 把28x28的图像resize到224x224：transforms.Resize(224)
   这种方案不需要改网络代码，但计算量会大幅提升，训练速度会变慢。

内容的提问来源于stack exchange，提问作者NewbieBros