PyTorch性别分类器训练时矩阵形状不匹配报错求助

问题原因 #

报错RuntimeError: mat1 and mat2 shapes cannot be multiplied (64x7696 and 492544x2)的核心是全连接层的输入维度与卷积后展平的特征维度不匹配，主要由两个可能原因导致：

• 输入图像的通道维度顺序错误（PyTorch要求通道在前，即[batch_size, channels, height, width]，但你的输入可能是通道在后的[batch_size, height, width, channels]）
• 手动计算的全连接层输入维度与实际卷积后的特征维度不符

解决步骤 #

1. 修正输入维度顺序 #

先检查训练代码中输入X的形状，如果输出是类似(64, 110, 80, 3)（通道在最后），需要转置为PyTorch要求的格式：

for epoch in range(30):
    for batch in dataset: 
        X,y = batch 
        # 将通道维度转置到第二位，匹配PyTorch输入格式
        X = X.permute(0, 3, 1, 2)
        X, y = X.to('cuda'), y 
        yhat = clf(X) 
        loss = loss_fn(yhat, y) 

        opt.zero_grad()
        loss.backward() 
        opt.step() 

    print(f"Epoch:{epoch} loss is {loss.item()}")

2. 修正全连接层输入维度 #

如果输入维度已经正确，重新计算卷积后的特征总维度：
输入为(3,110,80)，经过三次3x3无padding卷积后，尺寸变化为：

• 第一次卷积：110-2=108，80-2=78 → 输出(32,108,78)
• 第二次卷积：108-2=106，78-2=76 → 输出(64,106,76)
• 第三次卷积：106-2=104，76-2=74 → 输出(64,104,74)

此时Flatten后的总特征数为64*104*74=492544，对应全连接层的in_features需保持一致，修正后的模型代码：

class GenderClassifier(nn.Module):
    def __init__(self):
        super().__init__()
        self.model = nn.Sequential(
            nn.Conv2d(3,32,(3,3)),
            nn.ReLU(),
            nn.Conv2d(32,64,(3,3)),
            nn.ReLU(),
            nn.Conv2d(64,64,(3,3)),
            nn.ReLU(),
            nn.Flatten(),
            nn.Linear(64*104*74,2),
            nn.Sigmoid()
        )
        
    def forward(self,x):
        return self.model(x)

3. 更稳妥的方案：使用自适应池化层 #

为避免手动计算维度的误差，推荐在卷积层后加入自适应池化层，固定特征图尺寸，这样全连接层的输入维度无需手动计算：

class GenderClassifier(nn.Module):
    def __init__(self):
        super().__init__()
        self.model = nn.Sequential(
            nn.Conv2d(3,32,(3,3)),
            nn.ReLU(),
            nn.Conv2d(32,64,(3,3)),
            nn.ReLU(),
            nn.Conv2d(64,64,(3,3)),
            nn.ReLU(),
            nn.AdaptiveAvgPool2d((8,8)), # 固定输出为8x8特征图
            nn.Flatten(),
            nn.Linear(64*8*8,2), # 64通道*8*8尺寸
            nn.Sigmoid()
        )
        
    def forward(self,x):
        return self.model(x)

验证方法 #

用随机输入测试模型的输出形状，确认是否匹配：

import torch
clf = GenderClassifier()
dummy_input = torch.randn(1,3,110,80) # 模拟单张输入
output = clf(dummy_input)
print(output.shape) # 应输出torch.Size([1,2])

内容的提问来源于stack exchange，提问作者Jash Jasani