如何修正PyTorch中MyModel神经网络模型以匹配指定架构？

错误原因 #

你的代码通过inp和out参数动态生成内层线性层，导致内层的张量尺寸完全依赖于网络的输入输出参数。这违背了任务提示中**"内层的输入输出张量尺寸不依赖网络入口和出口张量尺寸"**的要求。任务要求的模型结构是固定的：输入维度为20，后续每个线性层的输出维度比前一层少1，直到输出维度为10。

修正后的代码 #

方案1：固定模型输入输出尺寸（最符合任务要求） #

import torch
import torch.nn as nn

class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        layers = []
        current_dim = 20
        # 生成9个带ReLU激活的线性层，维度从20递减到11
        for _ in range(9):
            layers.append(nn.Linear(current_dim, current_dim - 1))
            layers.append(nn.ReLU())
            current_dim -= 1
        # 最后一层线性层，从11维度映射到10维度（输出层）
        layers.append(nn.Linear(current_dim, 10))
        self.layers = nn.ModuleList(layers)

    def forward(self, x):
        for layer in self.layers:
            x = layer(x)
        return x

# 创建符合要求的模型
model = MyModel()

方案2：保留参数接口并添加校验 #

如果需要保留inp和out参数接口，可添加参数校验确保输入输出符合任务要求，同时固定内层结构：

import torch
import torch.nn as nn

class MyModel(nn.Module):
    def __init__(self, inp, out):
        super(MyModel, self).__init__()
        # 强制输入为20、输出为10，不符合则抛出错误
        assert inp == 20 and out == 10, "This model only supports input size 20 and output size 10"
        layers = []
        current_dim = 20
        for _ in range(9):
            layers.append(nn.Linear(current_dim, current_dim - 1))
            layers.append(nn.ReLU())
            current_dim -= 1
        layers.append(nn.Linear(current_dim, out))
        self.layers = nn.ModuleList(layers)

    def forward(self, x):
        for layer in self.layers:
            x = layer(x)
        return x

model = MyModel(inp=20, out=10)

修正说明 #

• 内层结构不再依赖输入输出参数动态生成，而是固定按照20→19→18→…→11→10的维度递减，满足"每个后续线性层神经元数量比前一层少1"的要求。
• 严格遵循任务提示，确保内层张量尺寸与网络入口、出口尺寸解耦，符合图示模型的结构要求。

内容的提问来源于stack exchange，提问作者Мария Найденко