PyTorch线性网络维度不匹配报错及输出尺寸异常排查

核心错误点 #

1. 线性层定义位置错误
   你把torch.nn.Linear的定义写在了forward方法里，这会导致每次前向传播都重新创建新的线性层，不仅权重无法被优化器更新，还会因为input的计算依赖batch大小（tensorSize[0]），导致线性层的维度随batch动态变化，最终引发维度不匹配报错。

2. 输入张量未展平
   输入是4维张量(B,3,64,64)，但线性层默认只处理最后一个维度的特征。你直接把4维张量喂给线性层，会让线性层把前三个维度都当成batch维度的一部分，最终输出保留前三个维度，得到(B,3,64,6)的结果，而不是你需要的(B,6)。

3. 线性层维度计算错误
   input = tensorSize[0] * tensorSize[1] * tensorSize[2] 这个计算完全错误，tensorSize[0]是batch大小，是动态变化的值，不能用来定义线性层的输入维度。线性层的输入维度应该是固定的特征数，即通道数×高×宽=3×64×64=12288。

修正后的代码示例 #

import torch

class LinearNet(torch.nn.Module):
    def __init__(self):
        super().__init__()
        # 输入展平后特征数为3*64*64=12288
        self.linear1 = torch.nn.Linear(12288, 32)
        self.linear2 = torch.nn.Linear(32, 6)
    
    def forward(self, x):
        # 展平输入：(B,3,64,64) -> (B, 12288)
        x_flat = x.view(x.size(0), -1)
        # 前向传播，可按需添加激活函数
        out = torch.nn.functional.relu(self.linear1(x_flat))
        out = self.linear2(out)
        return out  # 输出尺寸为(B,6)

验证说明 #

• 展平操作x.view(x.size(0), -1)会保留batch维度，将剩余的所有维度（3、64、64）合并成一个特征维度，得到标准的线性层输入格式(B, 特征数)。
• 线性层全部移到__init__方法中定义，维度固定，权重可以被正常更新，不会再出现动态维度导致的匹配错误。

内容的提问来源于stack exchange，提问作者Aeryes