解决PyTorch模型RuntimeError：输入(64x1x1)输出(64x0x0)尺寸过小问题

报错原因 #

RuntimeError: Given input size: (64x1x1). Calculated output size: (64x0x0). Output size is too small 是因为特征图尺寸被连续池化压缩到1x1后，后续操作（池化/卷积）无法生成有效输出，导致尺寸变为0。从你的forward流程看，三次连续的nn.MaxPool2d(2)是核心诱因——每次池化将宽高减半，若初始输入尺寸不足，经过几次池化后就会出现1x1的特征图，再操作就会溢出为0。

具体修复方案 #

1. 动态控制池化操作 #

避免在特征图尺寸≤1时执行池化，替换原有的固定池化代码：

# 替换每次的 x = nn.MaxPool2d(2)(x)
if x.size(-2) > 1 and x.size(-1) > 1:
    x = nn.MaxPool2d(2)(x)

2. 修正block内的卷积层 #

检查block0/block2/block4中的卷积层，若卷积核尺寸大于输入特征图尺寸且无padding，会直接输出0。调整卷积层参数：

• 给卷积添加padding，保证输入输出尺寸匹配：

  # 示例：3x3卷积添加padding=1
  nn.Conv2d(in_ch, out_ch, kernel_size=3, padding=1)
  

• 当特征图尺寸小于卷积核时，改用1x1卷积替代大核卷积。

3. 替换为自适应池化 #

确认self.avgpool的类型，若使用固定尺寸池化（如nn.AvgPool2d(2)），在输入1x1时会出错。改用自适应全局平均池化：

# 初始化avgpool时改为
self.avgpool = nn.AdaptiveAvgPool2d(1)

无论输入特征图尺寸多大，都能输出1x1的特征，避免尺寸丢失。

4. 增大初始输入尺寸 #

如果业务允许，将输入图像的宽高调大（比如从28x28改为64x64），确保三次池化后仍能保留大于1的特征图尺寸。

调试技巧 #

在forward中添加尺寸打印，快速定位问题环节：

print("After first_bn:", x.shape)
print("After block0:", x0.shape)
print("After first pool:", x.shape)
# 每一步都打印特征图shape

内容的提问来源于stack exchange，提问作者stranger