PyTorch性别分类CNN模型报错：输入与目标batch_size不匹配

错误根源 #

从报错日志和代码运行输出可以明确：

• 输入batch_size是24（torch.Size([24, 3, 224, 224])），经过卷积后最终特征图尺寸为[24, 256, 112, 112]
• 你在forward函数中错误地将展平后的特征数指定为256*56*56，导致output.view(-1, 256*56*56)把原本24个样本的特征强行拆分成96个（24*(112/56)²=96），输出batch_size变成96，而标签的batch_size仍为24，两者不匹配触发错误。

修复方案 #

1. 修正全连接层输入特征数 #

在CNN类的__init__方法中，修改全连接层的in_features参数：

# 原错误代码
# self.fc=nn.Linear(in_features=256*56*56,out_features=2)
# 修正后
self.fc=nn.Linear(in_features=256*112*112,out_features=2)

2. 修正forward中的展平操作 #

同步修改forward函数中的view操作：

# 原错误代码
# output=output.view(-1, 256*56*56)
# 修正后
output=output.view(-1, 256*112*112)

更通用的写法（推荐） #

为避免手动计算特征图尺寸出错，可采用自动展平的方式，同时适配后续网络结构修改：

# forward函数中替换原view行
output = output.view(output.size(0), -1)
# 此时需要先运行一次网络，打印output.shape获取展平后的特征数，再替换__init__中的全连接层in_features
# 比如测试输出为torch.Size([24, 3211264])，则in_features=3211264（即256*112*112）

验证建议 #

修改后可输入测试张量验证输出是否符合预期：

test_input = torch.randn(1, 3, 224, 224)
model = CNN()
output = model(test_input)
print(output.shape)  # 预期输出：torch.Size([1, 2])

内容的提问来源于stack exchange，提问作者DarioLong