训练ResNet模型后新增层引发RuntimeError：矩阵形状不匹配求助

错误原因 #

你遇到的RuntimeError核心是模型层维度不匹配：

• 原vision_learner创建的ResNet34模型中，learn.model[1]是适配120类任务的输出head，它的最终输出维度为120（对应你的120种犬类）。
• 你新增的nn.Linear(512, 120)要求输入维度是512，但前一层（原head的输出）维度仅为120，导致矩阵乘法时128x120与512x120无法运算，触发错误。

简言之：原head已经把特征从512维压缩到120维了，你再接一个需要512维输入的层，自然不兼容。

正确修改方式 #

要新增层，需要在原head的**特征压缩阶段（输出120维之前）**添加，而非在输出之后。具体步骤如下：

1. 先查看原head结构（可选但推荐）：

print(learn.model[1])

你会看到类似这样的输出（ResNet34的默认head）：

Sequential(
  (0): AdaptiveAvgPool2d(output_size=1)
  (1): Flatten(full=False)
  (2): Linear(in_features=512, out_features=120, bias=True)
)

这里的Linear(512,120)就是把backbone输出的512维特征映射到120类的核心层。

2. 重新构建包含新增层的head：

learn.unfreeze()

# 保留原池化、展平层，在原线性层前新增全连接层
new_head = nn.Sequential(
    learn.model[1][0],  # 原池化层
    learn.model[1][1],  # 原展平层
    nn.Linear(512, 256),  # 新增层：512维特征→256维
    nn.ReLU(),
    nn.Linear(256, 120)   # 最终映射到120类
)

learn.model[1] = new_head  # 替换原head

# 继续训练
learn.fit_one_cycle(1, lr_max=slice(1e-6, 1e-4))

额外提醒 #

• 修改模型结构前，务必打印并确认每层的输入输出维度，避免维度不匹配问题。
• 如果只是想调整最后一层参数，无需额外拼接新层，直接修改原Linear层即可。

内容的提问来源于stack exchange，提问作者Dimitriy Glefa