关于训练unet和SyncNet的问题

[wangaocheng]

UNET按照教程我训练了20000步，训练正常。我一共只有自己录的三个视频，一共30分钟左右。
但是SyncNet训练的时候报错，

最先是报：
RuntimeError: Given groups=1, weight of size [64, 48, 3, 3], expected input[4, 15, 128, 256] to have 48 channels, but got 15 channels instead

然后我把
visual_encoder:
in_channels: 15 #原配置这里的值是48，我改成了15

跟着就报下面的错误：
RuntimeError: Calculated padded input size per channel: (3 x 2). Kernel size: (3 x 3). Kernel size can't be greater than actual input size

说输入特征图的尺寸过小。这个怎么解决？

视频是1080x1080，训练用的256x256，数据集用的预处理后的high_resolution目录。