PyTorch提取AlexNet fc6层激活报错：张量形状无法相乘

问题原因 #

你遇到的mat1 and mat2 shapes cannot be multiplied错误，核心是卷积层输出的4D特征图无法直接输入全连接层：

• AlexNet的features模块最后一层（conv5）输出张量形状为(batch_size, 256, 6, 6)（4维：批量、通道、高度、宽度）
• 而classifier的第一层是Linear(9216, 4096)，要求输入为2维张量(batch_size, 9216)，其中9216是25666的乘积，即conv5输出的所有特征元素展平后的总数量

解决方案：展平特征图 #

在将conv5的输出传入classifier前，需要把4D张量展平为2D张量，同时保留批量维度（第0维），用torch.flatten()即可实现：

修改后的完整代码 #

conv1 = alexnet.features[0:2](img_tensor)
conv2 = alexnet.features[2:5](conv1)
conv3 = alexnet.features[5:7](conv2)
conv4 = alexnet.features[7:9](conv3)
conv5 = alexnet.features[9:12](conv4)

# 关键步骤：从第1维开始展平，跳过批量维度
flattened_features = torch.flatten(conv5, start_dim=1)

# 提取fc6激活（classifier[0:2]包含Dropout和fc6全连接层）
fc6 = alexnet.classifier[0:2](flattened_features)

# 提取fc7激活：classifier[2:5]对应ReLU、Dropout和fc7全连接层
fc7 = alexnet.classifier[2:5](fc6)

额外修正说明 #

你原代码中提取fc7的逻辑有误：AlexNet的classifier结构里，classifier[0:2]是Dropout+fc6，而fc7对应的是第二个全连接层（classifier[4]），必须用classifier[2:5]覆盖从fc6输出到fc7输出的完整流程（ReLU→Dropout→fc7），才能得到正确的fc7激活值。

验证形状（可选） #

运行代码后可打印各层输出形状确认正确性：

print("conv5 shape:", conv5.shape)               # 应为 (batch_size, 256, 6, 6)
print("flattened shape:", flattened_features.shape)  # 应为 (batch_size, 9216)
print("fc6 shape:", fc6.shape)                   # 应为 (batch_size, 4096)
print("fc7 shape:", fc7.shape)                   # 应为 (batch_size, 4096)

内容的提问来源于stack exchange，提问作者Amit Verma