这个RuntimeError是PyTorch里非常常见的类型不匹配问题——说白了就是你的模型权重和输入数据的张量类型对不上：卷积层期望权重是Double（float64）类型，但你喂进去的输入是Float（float32），或者反过来。下面我一步步帮你排查和解决：

第一步：定位问题根源 #

先搞清楚到底是输入数据的类型不对，还是模型参数的类型不对，加两行调试代码就能搞定：

1. 检查输入数据的类型：

# 从训练数据加载器取一个样本
sample_data, _ = next(iter(train_loader))
print("输入图像的 dtype:", sample_data.dtype)

2. 检查模型参数的类型：

# 取模型第一个可训练参数（比如第一个卷积层的权重）
print("模型参数的 dtype:", next(model.parameters()).dtype)

对比这两个输出，如果一个是torch.float32，另一个是torch.float64，那就是问题所在了。

常见触发场景及修复方案 #

场景1：输入数据是Double，模型是Float（最常见） #

如果你的数据加载代码里，不小心把图像转成了float64（比如用了numpy.array的默认类型，或者手动调用了torch.double()），而PyTorch的nn.Module默认参数是float32。

修复方法：在数据加载的transform里统一转成float32：

# 比如你的transform列表里加这一项
transforms.Compose([
    # 其他transform...
    transforms.Lambda(lambda x: x.float())  # 把图像转成float32
])

或者在训练循环里拿到数据后直接转：

data = data.float()

场景2：模型是Double，输入数据是Float #

如果之前不小心调用了model.double()，或者模型里的自定义层手动创建了float64的张量，导致整个模型参数变成了Double类型。

修复方法：把模型转成float32：

model = CircleNet().float()  # 初始化后直接转类型

或者在训练前调用：

model.float()

场景3：自定义模型里的手动张量类型不匹配 #

如果你的CircleNet里有手动创建的张量（比如用torch.tensor()初始化的固定参数，而不是nn.Parameter()），要确保这些张量的类型和模型其他参数一致：

# 不要直接写torch.tensor([1.0, 2.0])，而是用模型的dtype
custom_tensor = torch.tensor([1.0, 2.0], dtype=model.dtype)

额外注意事项 #

• 关于CrossEntropyLoss和Adam优化器：这两个组件会自动适配模型参数的类型，只要输入数据和模型参数类型一致，它们就不会出问题。
• 标签的类型：CrossEntropyLoss要求标签是torch.long类型，这个不用和输入/模型参数的类型一致，只要你的标签是整数类型就行，别转成float/double。

快速验证 #

修改完之后，再跑一遍之前的调试代码，确认输入数据和模型参数的dtype完全一致，然后重新训练，这个RuntimeError应该就消失了。

内容的提问来源于stack exchange，提问作者Michael Smith