PyTorch矩阵乘法形状不匹配RuntimeError问题排查求助

问题背景 #

我是PyTorch新手，正在开发一个多输出线性回归模型，用于给单词上色（帮助 grapheme-color 联觉患者更轻松阅读）。模型输入为单词的编码向量：每个单词被表示为45维[0,1]浮点向量，其中(0,1]代表对应位置存在字母，0代表该位置无字母；输出为RGB值，每个样本对应[r值, g值, b值]。

报错信息 #

运行训练循环时出现如下错误：

RuntimeError: mat1 and mat2 shapes cannot be multiplied (90x1 and 45x3)

我推测需要对数据进行重塑，但不清楚具体操作方式与位置，尤其无法理解90x1矩阵的来源。

我的模型代码 #

class ColorPredictor(torch.nn.Module):
    #Constructor
    def __init__(self):
        super(ColorPredictor, self).__init__()
        self.linear = torch.nn.Linear(45, 3, device= device) #length of encoded word vectors & size of r,g,b vectors
        
    # Prediction
    def forward(self, x: torch.Tensor) -> torch.Tensor:
        y_pred = self.linear(x)
        return y_pred

数据加载代码 #

Dataset类 #

# Dataset Class
class Data(Dataset):
    # Constructor
    def __init__(self, inputs, outputs):
        self.x = inputs # a list of encoded word vectors
        self.y = outputs # a Pandas dataframe of r,g,b values converted to a torch tensor
        self.len = len(inputs)
    
    # Getter
    def __getitem__(self, index):
        return self.x[index], self.y[index]
    
    # Get number of samples
    def __len__(self):
        return self.len

训练/测试集拆分与DataLoader创建 #

# create train/test split
train_size = int(0.8 * len(data))
train_data = Data(inputs[:train_size], outputs[:train_size])
test_data = Data(inputs[train_size:], outputs[train_size:])

# create DataLoaders for training and testing sets
train_loader = DataLoader(dataset = train_data, batch_size=2)
test_loader = DataLoader(dataset = test_data, batch_size=2)

报错发生的训练循环 #

for epoch in range(epochs):
    # Train
    model.train() #training mode
    for x,y in train_loader:
        y_pred = model(x) #ERROR HERE
        loss = criterion(y_pred, y)
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

后续尝试 #

我将45x1的输入张量改为2x45的输入张量（第二列全为0），首次遍历train_loader时可正常运行，但第二次遍历时再次出现矩阵乘法错误，报错为：

RuntimeError: mat1 and mat2 shapes cannot be multiplied (90x2 and 45x3)

解决方案 #

问题根源分析 #

• 你的线性层torch.nn.Linear(45,3)要求输入张量的最后一维为45（对应每个样本的特征维度），但实际输入的张量形状不符合要求。
• 90x1的来源：batch_size设为2，每个样本是45x1的二维向量，DataLoader拼接后得到形状为(2,45,1)的张量。PyTorch的Linear层会自动将除最后一维外的所有维度展平，于是(2,45,1)被展平成(90,1)，和Linear层的权重矩阵(45,3)无法进行矩阵乘法（矩阵乘法要求第一个矩阵的列数等于第二个矩阵的行数）。

具体修复步骤 #

1. 修正输入张量的形状
   修改Dataset类的__getitem__方法，确保返回的输入张量是一维(45,) 而非二维(45,1)：

   def __getitem__(self, index):
       # 去除多余的维度，把(45,1)转为(45,)
       x_sample = torch.squeeze(self.x[index]) if self.x[index].dim() == 2 else self.x[index]
       y_sample = self.y[index]
       # 可选：确保y是一维(3,)张量
       y_sample = torch.squeeze(y_sample) if y_sample.dim() == 2 else y_sample
       return x_sample, y_sample
   

   或者在创建inputs列表时，提前对每个向量做处理：

   inputs = [torch.squeeze(vec) for vec in original_inputs]
   

2. 验证输入形状
   在训练循环中添加打印语句，确认输入张量的形状是否符合预期（应为(2,45)，对应batch_size=2，每个样本45维）：

   for x,y in train_loader:
       print("Input shape:", x.shape)  # 预期输出: torch.Size([2, 45])
       y_pred = model(x)
       # 其余训练代码
   

3. 纠正后续尝试的错误操作
   你之前将输入改为2x45是错误的——这相当于把一个样本的特征维度变成了2，完全不符合模型的设计。正确的输入形状应该是(batch_size, 45)，每个样本对应45维特征。

内容的提问来源于stack exchange，提问作者A T