PyTorch训练报错：t()期望张量维度≤2，当前为3D的解决方法

核心错误：Linear层权重维度不合法 #

报错RuntimeError: t() expects a tensor with <=2 dimensions, but self is 3D的根源是你手动初始化Linear层权重时，错误地将权重张量转为了3D结构：

• nn.Linear(2,3)的权重标准形状应为(3,2)（输出节点数 × 输入节点数）
• 你对k1和k2执行了两次unsqueeze操作，导致张量变成(1,1,6)和(1,1,3)，赋值给weight后，权重维度变为3D，触发矩阵转置操作时的维度错误。

修复后的模型权重初始化代码：

class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.d1 = nn.Linear(2,3)
        self.d2 = nn.Linear(3,1)
        self.init_weights()
    
    def init_weights(self):
        # 将k1调整为(3,2)的合法形状
        k1=torch.tensor([0.1,-0.72,0.94,-0.29,0.12,0.44]).view(3,2)
        self.d1.weight.data=k1
        # 将k2调整为(1,3)的合法形状
        k2=torch.tensor([1,-1.16,-0.26]).view(1,3)
        self.d2.weight.data=k2
    
    def forward(self, x):
        x = self.d1(x)
        x = F.tanh(x)
        x = self.d2(x)
        out = F.sigmoid(x)
        return out

其他需修复的问题 #

1. 损失函数与模型输出不兼容 #

你使用了CrossEntropyLoss，但模型最后通过sigmoid输出单值，两者不匹配：

• CrossEntropyLoss适用于多分类任务，输入需为未激活的logits，输出维度等于类别数（二分类时为2）
• 针对你的二分类任务，建议改用BCEWithLogitsLoss（内置sigmoid计算，无需手动添加），同时调整标签格式：

# 模型forward去掉手动sigmoid
def forward(self, x):
    x = self.d1(x)
    x = F.tanh(x)
    return self.d2(x)

# 替换损失函数
criterion = nn.BCEWithLogitsLoss()

# 训练循环中处理标签：转为float并增加维度匹配输出
labels = labels.float().unsqueeze(1)

2. 重复初始化模型导致优化器失效 #

代码中先初始化了一次model = MyModel()并绑定了optimizer，之后又重新初始化了一次，导致优化器绑定的是旧模型参数，训练时无法更新新模型。删除第二次初始化代码即可：

# 删除此行：model = MyModel()

3. 日志打印变量未定义 #

最后打印日志时使用的i未定义，需新增批次计数变量：

for epoch in range(num_epochs):
    train_running_loss = 0.0
    train_acc = 0.0
    batch_count = 0  # 新增批次计数器

    for inputs, labels in trainloader:
        # ... 训练逻辑 ...
        batch_count += 1  # 每批次计数+1
    
    print('Epoch: %d | Loss: %.4f | Train Accuracy: %.2f'%(epoch, train_running_loss / batch_count, train_acc/batch_count))

4. 输入张量类型错误 #

默认torch.tensor创建的是整数张量，模型需要浮点类型输入，初始化时指定类型：

X=torch.tensor(X1, dtype=torch.float32)

内容的提问来源于stack exchange，提问作者mohammad