PyTorch一维多分类CNN模型输出维度不符问题求助

问题根源 #

你的模型输出维度不符合预期，核心问题在于卷积后未对序列维度做全局汇总，直接将每个时间步的特征单独输入全连接层，导致输出保留了原序列的长度（104）。具体问题点：

• 卷积后特征维度为(64, 104)，你通过x.view(x.size(1), -1)将其转置为(104, 64)，相当于让全连接层处理每个位置的64维特征，最终输出104个3维结果，而非整个序列对应1个3维结果。
• 缺少全局池化操作，无法将整个序列的特征压缩为固定维度的向量，这是序列分类任务的关键步骤。

修正后的模型代码 #

在ReLU激活后添加全局自适应池化，将序列维度压缩为1，再展平为一维向量输入全连接层，最终得到3维输出：

import torch
import torch.nn as nn

class CNN(nn.Module):
    def __init__(self):
        super().__init__()
        # 卷积层：输入通道4（对应A/C/T/G），输出64个特征图
        self.conv1 = nn.Conv1d(in_channels=4, out_channels=64, kernel_size=3, stride=1, padding=1)
        # 全局平均池化：将任意长度的序列压缩为1个值
        self.global_pool = nn.AdaptiveAvgPool1d(1)
        # 全连接层：将64维特征映射到3个二分类输出
        self.fc1 = nn.Linear(64, 3)

    def forward(self, x):
        # 输入维度：(in_channels=4, seq_len=104)，批量输入应为(batch_size, 4, 104)
        x = self.conv1(x)  # 输出维度：(64, 104) / (batch_size, 64, 104)
        x = torch.relu(x)  # 输出维度：(64, 104) / (batch_size, 64, 104)
        x = self.global_pool(x)  # 输出维度：(64, 1) / (batch_size, 64, 1)
        x = x.flatten()  # 展平为(64,) / (batch_size, 64)
        x = self.fc1(x)  # 输出维度：(3,) / (batch_size, 3)
        return x

训练代码优化补充 #

除了模型修正，训练代码还有几个关键问题需要调整：

1. 迭代器耗尽问题：zip生成的迭代器只能遍历一次，每个epoch需要重新生成训练/测试数据迭代器，否则从第二个epoch开始不会遍历任何数据。
2. 损失函数选择：多标签二分类任务用MSELoss不合适，建议用BCEWithLogitsLoss（直接处理未激活的输出，数值稳定性更好）。
3. 批量输入处理：尽量批量输入数据，而非单样本遍历，提升训练效率和稳定性。

修正后的训练代码示例：

import torch
import numpy as np

# 假设data和target是numpy数组，data形状为(n_samples, 4, 104)，target形状为(n_samples, 3)
model = CNN()
# 多标签二分类用BCEWithLogitsLoss，自动处理sigmoid激活
lossFn = torch.nn.BCEWithLogitsLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
max_epochs = 10
test_fraction = int(0.7 * len(data))

device = 'cpu'
model.to(device)

# 拆分数据集
train_data = data[test_fraction:]
train_target = target[test_fraction:]
test_data = data[:test_fraction]
test_target = target[:test_fraction]

# 训练循环
model.train()
for e in range(max_epochs):
    losses = 0.0
    # 每个epoch重新生成迭代器（或用DataLoader更规范）
    for x, y in zip(train_data, train_target):
        # 转换为torch张量并添加batch维度：(4,104) -> (1,4,104)
        x = torch.from_numpy(x).unsqueeze(0).to(device)
        y = torch.from_numpy(y).unsqueeze(0).float().to(device)
        
        pred = model(x)
        loss = lossFn(pred, y)
        
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
        
        losses += loss.item()
    
    print(f"Epoch {e+1}, Training Loss: {losses/len(train_data):.4f}")

维度变化说明（单样本输入） #

修正后模型的维度流转：

• 输入：(4, 104) → 添加batch维度后为(1,4,104)
• 卷积后：(1,64,104)
• ReLU后：(1,64,104)
• 全局池化后：(1,64,1)
• 展平后：(1,64)
• 全连接后：(1,3) → 对应期望的3个二分类输出

内容的提问来源于stack exchange，提问作者ekofman