PyTorch多分类模型训练报错：张量维度不匹配问题求助

核心原因 #

报错本质是模型输出的张量和目标标签的维度/语义完全不匹配：你的目标标签是[N,64]的张量（推测对应64分类任务的one-hot编码），但模型最终输出的是[N,19]的张量，两者无法直接做相等比较，触发维度不匹配错误。

具体错误点及修复方案 #

1. 模型最后一层输出维度设置错误 #

如果是64分类任务，模型最后一层的输出神经元数量必须和类别数一致（即64），而非19：

# 错误示例（输出维度19，不匹配目标）
self.fc_final = nn.Linear(hidden_dim, 19)
# 正确写法（输出维度64，匹配目标类别数）
self.fc_final = nn.Linear(hidden_dim, 64)

2. 标签格式与模型输出的匹配逻辑错误 #

如果目标是one-hot编码的[N,64]张量，计算准确率时需要将双方统一为类别索引格式：

# 模型输出logits转为类别索引（形状从[batch_size,64]变为[batch_size]）
predicted = torch.argmax(model_output, dim=1)
# 将one-hot标签也转为类别索引（形状从[batch_size,64]变为[batch_size]）
labels = torch.argmax(labels, dim=1)
# 此时维度一致，可以正常统计匹配数
correct += (predicted == labels).sum().item()

如果是多标签分类任务（每个样本可属于多个类别），则需用阈值判断，同时保证模型输出和标签维度一致：

# 模型输出经sigmoid转为概率，再用阈值判断是否预测该类别
predicted = torch.sigmoid(model_output) > 0.5
# 确保标签为布尔类型
labels = labels.bool()
# 统计所有匹配的类别数
correct += (predicted == labels).sum().item()

3. 任务类型混淆 #

如果你的目标数据是64维连续值（回归任务），计算准确率本身就不合理，应该改用MSE等回归损失指标，放弃准确率计算。

额外检查项 #

• 确认数据集拆分后，训练/测试集的目标数据形状均为[N,64]，避免拆分过程中出现维度错乱。
• 打印模型每一层的输出维度，排查是否在中间层的维度转换中意外将输出压缩为19维。

内容的提问来源于stack exchange，提问作者Manuel