使用inception_v3做二分类遇RuntimeError：输入与权重张量类型不匹配

问题根源 #

你只将输入图像和标签迁移到了CUDA设备，但模型本身仍在CPU上，导致输入（GPU张量）和模型权重（CPU张量）无法在同一设备上运算，触发类型不匹配错误。

修复步骤 #

1. 将模型迁移到目标设备
   在训练循环开始前，添加代码把模型移到指定设备上：

   model = model.to(device)
   

   注意：如果是加载预训练的InceptionV3，要确保这行代码在加载权重、修改模型适配二分类（比如替换最后全连接层）之后执行。

2. 迁移损失函数到设备（可选但建议）
   如果损失函数包含可训练参数，同样需要迁移到设备：

   criterion = criterion.to(device)
   

3. 确保优化器在模型迁移后初始化
   优化器需要跟踪模型参数的设备位置，正确顺序是：

   # 1. 加载并修改模型
   model = torchvision.models.inception_v3(pretrained=True)
   num_ftrs = model.fc.in_features
   model.fc = nn.Linear(num_ftrs, 2)
   # 2. 迁移模型到设备
   model = model.to(device)
   # 3. 初始化优化器
   optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
   

修改后的代码片段示例 #

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

# --- 新增：迁移模型和损失函数到设备 ---
model = model.to(device)
criterion = criterion.to(device)

for epoch in range(n_epochs):
    print("Epoch: %d "%(epoch+1))
    model.train()
    running_loss = 0.0
    running_correct = 0.0
    total=0
    for i, data in enumerate(train_loader):
        images,labels=data
        images=images.to(device)
        labels=labels.to(device)
        total+=labels.size(0)
        output,aux1,aux2=model(images)
        aux1_loss=criterion(aux1, labels)
        aux2_loss=criterion(aux2, labels)
        output_loss = criterion(output, labels)
        loss = output_loss + 0.3*(aux1_loss + aux2_loss)
        running_loss += loss.item() * output.size(0)
        pred = output.max(1, keepdim=True)[1]
        running_correct+=pred.eq(labels.view_as(pred)).sum().item()
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
        traning_accuracy = 100. * running_correct / len(train_loader.dataset)

额外检查点 #

• 验证CUDA可用性：执行print(torch.cuda.is_available())，返回True说明GPU可用。
• 核对张量设备：打印images.device和model.fc.weight.device，两者需一致（均为cuda:0）。

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