PyTorch自动编码器线性层形状不匹配报错（矩阵无法相乘）

问题本质 #

你看到的报错mat1 and mat2 shapes cannot be multiplied (16384x3 and 16384x3)并非是同形状矩阵不能相乘，而是矩阵相乘的规则要求第一个矩阵的列数等于第二个矩阵的行数。这里mat1是输入到线性层的张量形状（16384行3列），mat2是线性层权重的形状（16384行3列），3≠16384，因此无法完成矩阵乘法，核心原因是线性层输入的特征数与层定义的in_features不匹配。

解决步骤 #

1. 准确计算卷积后的特征数
   对于1D卷积，输出长度计算公式为：

   output_length = (input_length - kernel_size + 2*padding) // stride + 1
   

   若包含池化层，需用同样逻辑计算池化后的长度。最终展平后的总特征数为通道数 × 输出长度，这个数值就是编码器线性层的in_features。

   比如输入形状[batch_size,1,21]，假设经过Conv1d(1,32,kernel_size=3,padding=1,stride=1)后输出长度仍为21，再经过MaxPool1d(2)后长度为10，总特征数就是32×10=320，此时编码器线性层应定义为nn.Linear(320, 3)。

2. 规范张量展平操作
   展平卷积输出时，必须保留batch维度，只展平特征维度。使用x.flatten(start_dim=1)或x.view(x.size(0), -1)，避免使用无参数的x.flatten()（会把batch维度也展平成一维）。

3. 添加形状打印定位问题
   在模型的forward函数中打印关键步骤的张量形状，快速定位错误点：

   def forward(self, x):
       x = self.encoder(x)
       print("卷积后形状:", x.shape)
       x = x.flatten(start_dim=1)
       print("展平后形状:", x.shape)
       x = self.fc_encoder(x)
       print("瓶颈层形状:", x.shape)
       # 解码器逻辑...
       return x
   

4. 检查线性层定义
   编码器最后一个线性层需对应nn.Linear(展平后特征数, 3)，解码器起始线性层则为nn.Linear(3, 展平后特征数)，确保前后特征数一致。

内容的提问来源于stack exchange，提问作者Caue Evangelista de Sousa