PyTorch前馈神经网络分层运行报错但整体运行正常的原因

核心差异在于输入是否带有batch维度，PyTorch的Conv2d、Linear等核心层都是为批量输入设计的，单样本无batch输入时的维度逻辑和批量输入完全不同：

• 批量输入（dataloader传入）：
  dataloader会自动给单条样本加上batch维度，比如原本shape为[1,28,28]的样本会被包装成[batch_size, 1, 28, 28]（假设batch_size=4，最终形状就是[4,1,28,28]）。
  经过Conv2d、MaxPool2d后，输出形状为[4,4,13,13]（以Conv输出通道为4、池化核2x2为例），再经Flatten层处理后，会保留batch维度在第一位，得到[4, 4*13*13=676]的张量——这个特征数676正好匹配Linear层定义的in_features=676，矩阵相乘（4x676 乘 676x64）完全符合运算规则。

• 单样本无batch输入：
  直接传入的[1,28,28]是3维张量（通道、高、宽），缺少batch维度。此时PyTorch会把第一个维度的数值1识别为batch_size，后续层的处理逻辑会出现偏移：
  经过Conv2d、MaxPool2d后得到的形状是[1,4,13,13]，如果你的w_size方法手动做Flatten时误把batch维度也展平，会得到[1*4*13*13=676]的一维张量；而Linear层如果是基于批量输入的特征数（比如错误定义为2704），就会出现输入张量（4x676）和权重矩阵（2704x64）维度不匹配的问题，触发RuntimeError。

简单来说：批量输入的维度完全符合网络层的设计逻辑，单样本输入因缺失batch维度，导致Flatten后的特征数和Linear层的输入要求不匹配，才会报错。

内容的提问来源于stack exchange，提问作者bujian