CNN的输入输出大小对应不上

Question

#在复现一篇CNN的论文的时候，发现原文的给的CNN结构的参数一直对不上，
代码文件：https://github.com/yofchio/CNNQS
主程序是main文件，数据在data文件夹，CNN结构代码在CNNmodel，
PDf是论文，CNN细节在论文的49,50页，图在论文的第10页

输入的图片大小是64X60的矩阵（channel为1），然后第一层的卷积层，论文说是垂直步长为3，扩张概率为2，但是我算了下参数对不上，最后和全连接层的输入参数40680对不上，恳请大家看看这篇帖子，怎么修改模型参数，才能把这个模型的shape对应上，把代码跑通。

Answer 1

更改了，结构，现在是欧克的了

import torch.nn as nn
num_classes = 2  # 类别数
batch_size = 128  # 批次大小
class CNN(nn.Module):
    def __init__(self):
        super().__init__()
        self.layer1 = nn.Sequential(
            nn.Conv2d(1, 64, kernel_size=(5, 3), stride=(3, 1), dilation=(2, 1), padding=(12, 1)),
            nn.BatchNorm2d(64),
            nn.LeakyReLU(negative_slope=0.01, inplace=True),
            nn.MaxPool2d((2, 1), stride=(2, 1)),
        )
        self.layer2 = nn.Sequential(
            nn.Conv2d(64, 128, kernel_size=(5, 3),padding='same'),
            nn.BatchNorm2d(128),
            nn.LeakyReLU(negative_slope=0.01, inplace=True),
            nn.MaxPool2d((2, 1), stride=(2, 1)),
        )
        self.layer3 = nn.Sequential(
            nn.Conv2d(128, 256, kernel_size=(5, 3),padding='same'),
            nn.BatchNorm2d(256),
            nn.LeakyReLU(negative_slope=0.01, inplace=True),
            nn.MaxPool2d((2, 1), stride=(2, 1)),
        )
        self.fc1 = nn.Sequential(
            nn.Dropout(p=0.5),
            nn.Linear(46080, 2),
        )
        self.softmax = nn.Softmax(dim=1)

        for m in self.modules():
            if isinstance(m, nn.Conv2d):
                nn.init.xavier_uniform_(m.weight)
            elif isinstance(m, nn.Linear):
                nn.init.xavier_uniform_(m.weight)

    def forward(self, x):

        x = self.layer1(x)
        x = self.layer2(x)
        x = self.layer3(x)
        x = x.view(batch_size, -1)
        x = self.fc1(x)
        x = self.softmax(x)
        return x