MaxVit-t迁移学习报错RuntimeError：矩阵形状不匹配求解

错误原因分析 #

RuntimeError: mat1 and mat2 shapes cannot be multiplied (114688x7 and 512x8) 本质是矩阵乘法维度不匹配：前一层输出特征的列维度（7）与自定义分类器Linear层的输入行维度（512）不兼容，导致无法完成矩阵运算。

具体排查与解决步骤 #

1. 确认MaxVit-T的特征输出维度 #

先查看预训练MaxVit-T的分类器原始结构，明确特征提取部分的输出维度：

import torchvision.models as models
model = models.maxvit_t(pretrained=True)
print(model.classifier)

通常输出类似：

Sequential(
  (0): AdaptiveAvgPool2d(output_size=1)
  (1): Flatten(start_dim=1, end_dim=-1)
  (2): Linear(in_features=768, out_features=1000, bias=True)
)

这说明特征经过池化、展平后，输入到Linear层的维度是768，而非你设置的512。

2. 正确替换分类器 #

不要直接用错误维度的Linear层替换整个分类器，推荐两种方式：

• 方式一：仅替换最后一层Linear（保留原池化、展平逻辑）：

  from torch import nn
  # 自动匹配原输入维度，替换输出为8类
  model.classifier[-1] = nn.Linear(model.classifier[-1].in_features, 8)
  

• 方式二：重新定义完整分类器（确保包含池化和展平）：

  from torch import nn
  model.classifier = nn.Sequential(
      nn.AdaptiveAvgPool2d((1, 1)),
      nn.Flatten(),
      nn.Linear(768, 8)  # 768对应原分类器Linear的输入维度
  )
  

3. 验证输入图像尺寸 #

MaxVit-T默认要求输入图像尺寸为224×224，如果数据集图像尺寸不符，会导致特征图的高/宽维度异常，进而影响展平后的特征维度。确保数据预处理时将图像resize到指定尺寸：

from torchvision.transforms import Compose, Resize, ToTensor
transform = Compose([
    Resize((224, 224)),
    ToTensor()
])

内容的提问来源于stack exchange，提问作者Erdem Akca