PyTorch中D-Linear模型训练时输出与目标形状不匹配报错

你的报错核心是模型输出包含了所有输入特征的预测值，但你只需要目标变量的n步预测。示例代码用5列输入时，模型输出维度为[batch_size, seq_len, 5]，而目标仅对应1列，维度是[batch_size, seq_len]，两者自然无法对齐。

1. 数据集预处理：明确拆分特征与目标序列 #

构造时序样本时，要严格区分输入（历史特征+目标）和标签（未来目标）：

def create_dataset(data, seq_len, n_step):
    X, y = [], []
    # 遍历生成样本，确保输入包含所有16列，标签仅取目标列（第16列，索引为15）
    for i in range(len(data) - seq_len - n_step + 1):
        X.append(data[i:i+seq_len, :])  # 输入：历史seq_len步的16列数据
        y.append(data[i+seq_len:i+seq_len+n_step, 15])  # 标签：未来n_step步的目标变量
    return torch.tensor(X, dtype=torch.float32), torch.tensor(y, dtype=torch.float32)

2. 修改D-Linear模型：只输出目标变量的预测值 #

原D-Linear默认对每一列特征做预测，你需要调整模型结构，只针对目标列输出n步结果：

方案一：仅用目标列历史数据做预测

如果不需要其他特征辅助，直接提取目标列的历史序列训练：

class DLinear(nn.Module):
    def __init__(self, seq_len, pred_len, input_dim=16, target_idx=15):
        super().__init__()
        self.seq_len = seq_len
        self.pred_len = pred_len
        self.target_idx = target_idx
        # 仅针对目标列的时序序列做线性变换
        self.linear_trend = nn.Linear(seq_len, pred_len)
        self.linear_seasonal = nn.Linear(seq_len, pred_len)

    def forward(self, x):
        # 提取目标列的历史序列：[batch, seq_len]
        target_seq = x[:, :, self.target_idx]
        trend = self.linear_trend(target_seq)  # [batch, pred_len]
        seasonal = self.linear_seasonal(target_seq)  # [batch, pred_len]
        return trend + seasonal  # 输出形状：[batch, pred_len]

方案二：利用所有特征辅助目标预测

如果需要结合15个特征提升精度，可先对所有特征做时序分解，再融合结果输出目标预测：

class DLinearMultiFeat(nn.Module):
    def __init__(self, seq_len, pred_len, input_dim=16):
        super().__init__()
        self.seq_len = seq_len
        self.pred_len = pred_len
        # 为每个特征列定义时序分解层
        self.trend_layers = nn.ModuleList([nn.Linear(seq_len, pred_len) for _ in range(input_dim)])
        self.seasonal_layers = nn.ModuleList([nn.Linear(seq_len, pred_len) for _ in range(input_dim)])
        # 融合所有特征的分解结果，输出目标预测
        self.fusion = nn.Linear(input_dim, 1)

    def forward(self, x):
        trend_outputs, seasonal_outputs = [], []
        # 对每个特征列做时序分解
        for i in range(x.shape[2]):
            feat_seq = x[:, :, i]
            trend_outputs.append(self.trend_layers[i](feat_seq).unsqueeze(-1))
            seasonal_outputs.append(self.seasonal_layers[i](feat_seq).unsqueeze(-1))
        # 合并所有特征的分解结果：[batch, pred_len, input_dim]
        trend_all = torch.cat(trend_outputs, dim=-1)
        seasonal_all = torch.cat(seasonal_outputs, dim=-1)
        # 融合后得到目标预测，压缩维度至[batch, pred_len]
        output = self.fusion(trend_all + seasonal_all).squeeze(-1)
        return output

3. 训练循环：确认维度匹配 #

训练时打印关键张量的形状，确保模型输出和目标的维度一致：

criterion = nn.MSELoss()
for epoch in range(epochs):
    model.train()
    pred = model(x_train)
    # 打印形状验证：pred.shape应为[batch_size, n_step]，y_train.shape同理
    # print(pred.shape, y_train.shape)
    loss = criterion(pred, y_train)
    # 后续优化步骤（反向传播、更新参数）...

内容的提问来源于stack exchange，提问作者ianux22