PyTorch自定义黑白TIFF图像分类通道不匹配错误求助

核心原因 #

你的model_0第一层卷积层定义的输入通道数为1（从错误信息weight of size [10, 1, 3, 3]可判断，第二个维度对应输入通道数），但数据加载后输出的图像是3通道（[32,3,128,128]），两者维度不匹配导致报错。

具体修复步骤 #

1. 修正数据加载的图像通道转换逻辑 #

如果使用torchvision.transforms加载数据，默认的ToTensor()可能会把单通道黑白图自动转成3通道，需强制转为单通道：

from torchvision import transforms

transform = transforms.Compose([
    transforms.Grayscale(num_output_channels=1),  # 强制转为单通道灰度图
    transforms.Resize((128, 128)),
    transforms.ToTensor(),
    # 其他你需要的转换操作
])

如果是自定义Dataset加载TIFF文件，读取时需指定单通道模式：

• 用PIL读取：

from PIL import Image

img = Image.open(img_path).convert('L')  # 'L'模式对应单通道灰度图

• 用OpenCV读取：

import cv2

img = cv2.imread(img_path, cv2.IMREAD_GRAYSCALE)  # 直接读取单通道图像

2. 确认模型输入通道定义 #

检查你的TingVGG模型，确保第一层卷积层的in_channels参数设为1：

import torch.nn as nn

class TingVGG(nn.Module):
    def __init__(self):
        super().__init__()
        self.features = nn.Sequential(
            nn.Conv2d(in_channels=1, out_channels=10, kernel_size=3, padding=1),  # 此处in_channels必须为1
            nn.ReLU(),
            # 后续网络层...
        )
        # 其他层定义...

3. 验证数据加载后的形状 #

加载数据后打印批次图像形状，确认是[32,1,128,128]后再传入模型测试：

dataloader = DataLoader(dataset, batch_size=32)
image_batch, label_batch = next(iter(dataloader))
print(image_batch.shape)  # 预期输出torch.Size([32,1,128,128])

总结 #

问题本质是数据通道数与模型输入通道数不匹配，推荐将数据转为单通道（符合黑白图像的实际情况），或调整模型第一层的输入通道数为3（不推荐，会浪费计算资源）。

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