PyTorch神经网络张量维度调整：28×28转10维线性张量的实现疑问

核心逻辑：nn.Linear要求输入是二维张量（形状为[批量大小, 特征数]），你的28×28输入需要先把二维空间维度合并成一维特征向量，再传入线性层才能得到10维输出。以下是正确的处理方式：

1. 最推荐：用nn.Flatten集成到模型中 #

如果是构建PyTorch模型，直接将Flatten层放在线性层前，指定从第1维开始展平（跳过批量维度）：

import torch.nn as nn

class SimpleModel(nn.Module):
    def __init__(self):
        super().__init__()
        self.flatten = nn.Flatten(start_dim=1)  # 对第1维及之后的维度展平
        self.fc = nn.Linear(28*28, 10)  # 输入特征数为28×28=784

    def forward(self, x):
        x = self.flatten(x)  # 输入(N,28,28) → 输出(N,784)；单样本(28,28) → (784,)
        x = self.fc(x)       # 输出(N,10)；单样本→(10,)
        return x

2. 手动调整：用reshape/view临时处理 #

如果只是临时处理张量，手动将28×28的张量转成784维的一维张量，再喂给线性层：

import torch
import torch.nn as nn

fc_layer = nn.Linear(784, 10)

# 单样本情况
single_input = torch.randn(28, 28)
flat_single = single_input.reshape(-1)  # 转成(784,)
output_single = fc_layer(flat_single)   # 输出(10,)

# 批量样本情况
batch_input = torch.randn(32, 28, 28)  # 32个样本
flat_batch = batch_input.reshape(32, -1)  # 转成(32,784)
output_batch = fc_layer(flat_batch)       # 输出(32,10)

注：view和reshape功能相近，若张量内存连续，两者效果一致；reshape会自动处理非连续张量，更稳妥。

为什么你之前的nn.Linear(28,10)不行？ #

nn.Linear(28,10)会将输入的最后一维视为特征数：如果直接输入(28,28)，它会把每个28维的行转成10维，最终输出形状是(28,10)，这是二维张量，不是你要的10维线性张量。必须先合并空间维度为784维，再用Linear(784,10)才能得到目标输出。

关于你试过的其他方法 #

• torch.unsqueeze：用于增加维度，会让张量维度更多，完全不符合需求，无需使用。
• Conv2DTranspose：是转置卷积，用于从低分辨率特征图恢复高分辨率，和你的维度转换需求不匹配，没必要用。

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