DCGAN判别器输出与BCELoss标签尺寸不匹配的问题排查及架构疑问：是否可添加全连接层

一、先搞定你遇到的BCELoss形状不匹配错误 #

从报错和你打印的形状来看，判别器最后一层输出是torch.Size([1, 1, 13, 13])，而标签是torch.Size([1])，两者维度不匹配直接触发了ValueError。本质原因是你的判别器没有把提取到的空间特征压缩成对应每个样本的单个标量值（这个值代表判别器对样本“真实度”的打分）。

给你两个修改方案，选一个就能解决问题：

方案1：用自适应池化+卷积直接输出1维结果 #

这种方式保持纯卷积结构，通过自适应池化把任意尺寸的特征图压缩成1x1，再用1x1卷积得到单个值，鲁棒性很强：

class Discriminator(nn.Module):
    def __init__(self):
        super(Discriminator, self).__init__()
        self.main = nn.Sequential(
            nn.Conv2d(n_channels, n_features_discriminator, 4, 2, 1, bias=False),
            nn.LeakyReLU(0.2, inplace=True),
            nn.Conv2d(n_features_discriminator, n_features_discriminator * 2, 4, 2, 1, bias=False),
            nn.BatchNorm2d(n_features_discriminator * 2),
            nn.LeakyReLU(0.2, inplace=True),
            nn.Conv2d(n_features_discriminator * 2, n_features_discriminator * 4, 4, 2, 1, bias=False),
            nn.BatchNorm2d(n_features_discriminator * 4),
            nn.LeakyReLU(0.2, inplace=True),
            nn.Conv2d(n_features_discriminator * 4, n_features_discriminator * 8, 4, 2, 1, bias=False),
            nn.BatchNorm2d(n_features_discriminator * 8),
            nn.LeakyReLU(0.2, inplace=True),
            # 新增自适应池化，把特征图强行缩成1x1
            nn.AdaptiveAvgPool2d(1),
            # 用1x1卷积得到单个输出值
            nn.Conv2d(n_features_discriminator * 8, 1, 1, 1, 0, bias=False),
        )

    def forward(self, inputs):
        output = self.main(inputs)
        # 展平成和标签匹配的(batch_size,)形状
        return output.view(-1)

方案2：卷积后接全连接层输出 #

这种方式更灵活，先通过卷积提取特征，再把特征图展平成一维向量，最后用全连接层映射到1维结果——刚好回应你下面的疑问：

class Discriminator(nn.Module):
    def __init__(self):
        super(Discriminator, self).__init__()
        self.conv_layers = nn.Sequential(
            nn.Conv2d(n_channels, n_features_discriminator, 4, 2, 1, bias=False),
            nn.LeakyReLU(0.2, inplace=True),
            nn.Conv2d(n_features_discriminator, n_features_discriminator * 2, 4, 2, 1, bias=False),
            nn.BatchNorm2d(n_features_discriminator * 2),
            nn.LeakyReLU(0.2, inplace=True),
            nn.Conv2d(n_features_discriminator * 2, n_features_discriminator * 4, 4, 2, 1, bias=False),
            nn.BatchNorm2d(n_features_discriminator * 4),
            nn.LeakyReLU(0.2, inplace=True),
            nn.Conv2d(n_features_discriminator * 4, n_features_discriminator * 8, 4, 2, 1, bias=False),
            nn.BatchNorm2d(n_features_discriminator * 8),
            nn.LeakyReLU(0.2, inplace=True),
        )
        # 计算展平后的维度：特征数 * 最后卷积层输出的宽高（这里是16*16）
        self.fc = nn.Linear(n_features_discriminator*8 *16*16, 1)

    def forward(self, inputs):
        x = self.conv_layers(inputs)
        x = x.flatten(start_dim=1)
        output = self.fc(x)
        return output.view(-1)

二、解答你的CGAN判别器相关疑问 #

1. CGAN的判别器输出是如何工作的？ #

CGAN判别器的核心任务是判断输入样本（真实/生成）是否为真（如果是带标签的CGAN，还要结合标签判断是否匹配），最终输出一个代表“真实概率”的标量值（如果用BCEWithLogitsLoss，这个值不需要提前过sigmoid，损失函数会内部处理）。

卷积结构的判别器会通过多层卷积逐步提取图像的空间特征，同时缩小特征图尺寸，最终把这些空间特征压缩成单个标量，这个标量就是判别器对该样本的“真实度”打分。

2. 判别器是否可以包含全连接层？ #

当然可以！全连接层并不是GAN的禁区。DCGAN的设计规范里推荐用卷积替代全连接，只是为了更好地利用空间局部特征、减少参数冗余，但这只是推荐方案，不是强制要求。

很多自定义GAN结构都会在卷积后接全连接层，只要能完成“特征→真实度打分”的映射就行，完全没问题。

3. 必须全程用卷积缩小特征图吗？能不能加Linear层调整形状？ #

不需要全程用卷积！你有两种灵活的方式得到所需的输出形状：

• 方式一：用卷积+池化（比如自适应池化）把特征图缩到1x1，再用1x1卷积得到标量；
• 方式二：卷积提取特征后，把特征图展平成一维向量，再用Linear层映射到目标维度。

你看到的教程里判别器没有全连接层，只是因为它们遵循了DCGAN的经典纯卷积设计，但这不是唯一的正确做法。你完全可以根据自己的输入尺寸、任务需求选择合适的结构。

内容的提问来源于stack exchange，提问作者Ramon Griffo