如何解决PyTorch中RuntimeError：期望输入64通道却得到16通道问题

核心错误点 #

1. 3D卷积层误用：
   模型前两层都是Conv2d，输出张量形状为[batch_size, channels, height, width]（比如打印的[64,64,8,8]），但第三层误用了Conv3d——Conv3d要求输入是5维张量[batch_size, channels, depth, height, width]，维度不匹配直接触发RuntimeError。

2. 全连接层参数非法：
   nn.Linear(1024, 0)和nn.Linear(0, 1024)中特征数设为0完全无效，PyTorch不允许线性层的输入/输出特征数为0，会导致后续计算崩溃。

修正后的模型代码 #

import torch
import torch.nn as nn
import torch.nn.functional as F

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(
            in_channels=3,
            out_channels=32,
            kernel_size=5,
            stride=1,
            padding=2
        )
        self.conv2 = nn.Conv2d(
            in_channels=32,
            out_channels=64,
            kernel_size=5,
            stride=1,
            padding=2
        )
        # 将Conv3d改为Conv2d，与前序2D卷积逻辑统一
        self.conv3 = nn.Conv2d(
            in_channels=64,
            out_channels=64,
            kernel_size=5,
            stride=1,
            padding=2
        )
        self.pool = nn.MaxPool2d(2,2)
        # 计算卷积+池化后的特征数：CIFAR-10输入32x32，三次池化后为4x4，64个通道，即64*4*4=1024
        self.fc1 = nn.Linear(64 * 4 * 4, 512)  # 替换无效的0值，使用合理中间特征数
        self.fc2 = nn.Linear(512, 128)
        self.fc3 = nn.Linear(128, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = self.pool(F.relu(self.conv3(x)))
        x = torch.flatten(x, 1)  # 展平除batch外的所有维度
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

额外说明 #

• 若确实需要使用3D卷积，需先给2D图像扩展深度维度（比如x = x.unsqueeze(2)），但CIFAR-10是2D图像场景，完全不需要用3D卷积，2D卷积足够完成任务。
• 全连接层的输入特征数必须与卷积层输出的展平后维度一致，可通过在torch.flatten前打印x.shape确认具体数值。

内容的提问来源于stack exchange，提问作者Takadox et compagnie