如何解决RuntimeError：输入与权重张量类型不匹配问题（Fastai多分类）

错误原因 #

在Kaggle GPU环境中，dls.train.one_batch()返回的张量默认加载到GPU（torch.cuda.FloatTensor），但cnn_learner初始化的模型默认留在CPU（torch.FloatTensor），二者设备不匹配导致触发RuntimeError。

代码笔误修正 #

先修正原始代码中的两处基础错误：

• 导入包拼写错误：from fastasi.vision.all import * → from fastai.vision.all import *
• untar_data调用缺少闭合括号：path = untar_data(URLs.PASCAL_2007 → path = untar_data(URLs.PASCAL_2007)

解决方案 #

以下三种方式均可解决问题，优先推荐前两种以充分利用GPU加速：

方式一：将模型移至GPU #

在调用learn.model(x)前执行：

learn.model = learn.model.cuda()

方式二：自动匹配设备（推荐） #

利用Fastai内置的设备属性，将输入张量移至模型所在设备：

activs = learn.model(x.to(learn.dls.device))

learn.dls.device会自动检测当前可用设备（GPU/CPU），无需手动指定。

方式三：将输入移至CPU（不推荐） #

仅临时测试时可用，会浪费GPU资源：

x = x.cpu()
activs = learn.model(x)

修正后的完整代码 #

from fastai.vision.all import *
import numpy as np
import pandas as pd

path = untar_data(URLs.PASCAL_2007)

df = pd.read_csv(path/'train.csv')

def get_x(r): return r['fname']

def get_y(r): return r['labels']

def splitter(df):
    train = df.index[~df['is_valid']].tolist()
    valid = df.index[df['is_valid']].tolist()
    return train, valid

dblock = DataBlock(blocks = (ImageBlock, MultiCategoryBlock),
                  splitter = splitter,
                  get_x = get_x,
                  get_y = get_y,
                  item_tfms = RandomResizedCrop(128, min_scale = 0.35))
dls = dblock.dataloaders(df)

learn = cnn_learner(dls, resnet18)
x,y = dls.train.one_batch()
# 使用推荐的自动匹配设备方式
activs = learn.model(x.to(learn.dls.device))
activs.shape

内容的提问来源于stack exchange，提问作者Ibrat Usmonov