转换Pandas DataFrame为FastAI表格数据加载器后训练报错：张量尺寸不匹配

可能的原因及修复步骤 #

1. 检查目标变量的维度与类型 #

• 确保目标变量是单维度：回归任务应为单个数值列，分类任务应为单个类别列。执行 print(df[target_col].shape) 验证，结果应为 (n_samples,)，而非 (n_samples, k)。
• 分类任务需确认目标列是类别型（dtype='category'），FastAI会自动生成单维度标签；回归任务确保目标列为数值型。

2. 验证TabularDataLoaders构建参数 #

• 检查 y_names 参数：仅传入单个目标列名，不要传多列列表（默认tabular learner不支持多任务）。
• 确认 procs 处理逻辑：避免将目标列误加入 Categorify 或 Normalize 的处理队列，防止目标列被错误转换。

3. 排查Learner初始化问题 #

• 回归任务需确认 y_range 参数设置合理，避免与目标变量实际范围偏差过大导致输出张量异常。
• 匹配任务与metrics：分类任务用 accuracy，回归任务用 rmse，错误的指标会引发维度不匹配。

4. 检查模型输出层与批量尺寸 #

• 查看数据加载器批量大小：print(dls.batch_size)，默认是64。报错中张量a(6400)、张量b(64)的差异，大概率是模型输出层神经元数量错误（比如分类任务类别数设错，或回归任务误设为多输出）。
• 若自定义了模型，检查输出层维度是否与目标变量匹配。

5. 修正代码示例参考 #

from fastai.tabular.all import *

# 加载数据
df = pd.read_csv('train_19.csv')
# 构建数据加载器
dls = TabularDataLoaders.from_df(df, path='.', y_names='target',
                                 cat_names=['cat_col1', 'cat_col2'],
                                 cont_names=['cont_col1', 'cont_col2'],
                                 procs=[Categorify, FillMissing, Normalize])
# 构建learner（根据任务类型选择metrics）
learn = tabular_learner(dls, metrics=rmse)  # 回归任务用rmse，分类用accuracy
# 重新执行lr_find
learn.lr_find(start_lr=1e-05, end_lr=1e+05, num_it=100)

内容的提问来源于stack exchange，提问作者Kilaru Vasudeva