Conv2d输入维度错误求助及AlexNet集成模型结构修改需求

错误分析 #

RuntimeError: Expected 3D (unbatched) or 4D (batched) input to conv2d, but got input of size: [16, 18432] 是因为你添加的Conv2d层需要4D张量输入（格式为[批量大小, 通道数, 高度, 宽度]），但当前输入是2D张量，说明两个AlexNet的输出特征被错误展平，或拼接后丢失了空间维度。

同时按照你的需求，以下是移除两个AlexNet的avgpool和classifier模块，并修复维度问题的完整方案：

修正后的模型实现 #

import torch
import torch.nn as nn
from torchvision.models import alexnet

class MyEnsemble(nn.Module):
    def __init__(self, modelA, modelB):
        super().__init__()
        # 移除AlexNet的avgpool和classifier，仅保留特征提取部分
        self.modelA = nn.Sequential(*list(modelA.children())[:-2])
        self.modelB = nn.Sequential(*list(modelB.children())[:-2])
        
        # 拼接两个模型的输出通道（256+256=512），定义后续卷积层
        self.conv_layer = nn.Conv2d(512, 2, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
        
        # 计算全连接层输入维度：假设输入图像为224x224，经过AlexNet特征提取后尺寸为13x13
        # 若你的输入图像尺寸不同，需重新计算该值（卷积后尺寸不变：13x13）
        self.classifier = nn.Linear(2 * 13 * 13, 2)

    def forward(self, x):
        # 提取两个模型的特征（保持4D张量格式）
        featA = self.modelA(x)  # 形状: [批量大小, 256, 13, 13]
        featB = self.modelB(x)  # 形状: [批量大小, 256, 13, 13]
        
        # 在通道维度拼接特征，得到[批量大小, 512, 13, 13]
        combined_feat = torch.cat([featA, featB], dim=1)
        
        # 卷积层处理拼接特征
        conv_out = self.conv_layer(combined_feat)  # 形状: [批量大小, 2, 13, 13]
        
        # 展平后输入全连接层
        flat_feat = torch.flatten(conv_out, 1)
        return self.classifier(flat_feat)

# 初始化预训练模型并创建集成模型
modelA = alexnet(pretrained=True)
modelB = alexnet(pretrained=True)
ensemble_model = MyEnsemble(modelA, modelB)

# 测试输入（批量16，3通道224x224图像）
test_input = torch.randn(16, 3, 224, 224)
output = ensemble_model(test_input)
print(output.shape)  # 预期输出: torch.Size([16, 2])

关键说明 #

1. 移除冗余模块：通过nn.Sequential(*list(model.children())[:-2])截取AlexNet的features部分，直接丢弃avgpool和空的classifier模块。
2. 保持维度正确：两个AlexNet输出的特征均为4D张量，拼接后仍为4D，满足Conv2d层的输入要求，避免了2D张量的错误输入。
3. 调整全连接层维度：根据卷积层输出的空间尺寸计算全连接层的输入特征数，若你的输入图像尺寸不是224x224，需重新计算该值（可通过打印featA.shape查看具体的H和W）。

内容的提问来源于stack exchange，提问作者Ajay krishan gairola