修改PyTorch神经网络隐藏层数量引发RuntimeError问题求助

你的报错RuntimeError: mat1 and mat2 shapes cannot be multiplied (380x10 and 2x10)，核心原因是网络层的维度设置错误，导致张量在传递时维度不兼容：

• 经过输入层self.fcs后，张量形状变为(批量大小, N_HIDDEN)（示例中是380x10）
• 但隐藏层self.fch的每个线性层都错误使用nn.Linear(N_INPUT, N_HIDDEN)，要求输入维度为N_INPUT（示例中是2），和当前张量的10维不匹配
• 最后的输出层self.fce同样错误地以N_INPUT作为输入维度，而非隐藏层的N_HIDDEN维度

修正后的代码 #

import torch
import torch.nn as nn

class FCN(nn.Module):
    def __init__(self, N_INPUT, N_OUTPUT, N_HIDDEN, N_LAYERS):
        super().__init__()
        activation = nn.Tanh
        # 输入层：将输入维度映射到隐藏层维度
        self.fcs = nn.Sequential(
            nn.Linear(N_INPUT, N_HIDDEN),
            activation()
        )
        # 隐藏层：保持隐藏层维度一致，实现特征变换
        self.fch = nn.Sequential(*[
            nn.Sequential(
                nn.Linear(N_HIDDEN, N_HIDDEN),
                activation()
            ) for _ in range(N_LAYERS-1)
        ])
        # 输出层：将隐藏层维度映射到最终输出维度
        self.fce = nn.Linear(N_HIDDEN, N_OUTPUT)

    def forward(self, x):
        x = self.fcs(x)
        x = self.fch(x)
        x = self.fce(x)
        return x


torch.manual_seed(123)
# 示例初始化：输入2维，输出2维，隐藏层10节点，共8层（1输入+6隐藏+1输出）
pinn = FCN(2, 2, 10, 8)

关键修正点 #

• 隐藏层的线性层改为nn.Linear(N_HIDDEN, N_HIDDEN)，确保前一层的输出维度和当前层的输入维度匹配
• 输出层改为nn.Linear(N_HIDDEN, N_OUTPUT)，完成从隐藏层特征到最终输出的映射
• 修正后无论N_HIDDEN设置为多少（与N_INPUT不同也可），张量都能在层间正常传递，不会触发维度错误

内容的提问来源于stack exchange，提问作者Felix Spiers