PyTorch实现论文时卷积权重与Logits相乘报错及方法正确性咨询

首先，你的实现方法大概率不正确，结合维度报错和论文的弱监督定位逻辑，核心问题出在两个方面：

1. 操作对象的逻辑偏差 #

这篇论文的弱监督定位模块本质是类激活映射（CAM）的衍生思路，正确的操作应该是用分类分支全连接层的权重，而非卷积层的权重，去和特征图做加权运算得到定位热力图。你直接拿dense block最后一层的卷积权重与Logits相乘，完全不符合论文的设计逻辑——Logits是分类任务的最终输出（单值/多值），和卷积层参数没有直接的矩阵乘法关联。

2. 维度处理的技术错误 #

就算忽略逻辑问题，你当前的维度操作也完全错误：

• 卷积层权重形状(N,C,H,W)：这里的N是输出通道数、C是输入通道数、H/W是卷积核尺寸，你将其展平为12288x3的操作明显合并了错误的维度；
• Logits形状(H,W)：如果这是特征图尺寸，你却将其处理成1x1，说明在展平或压缩维度时出现了严重失误。

如果是按CAM的核心思路，正确的维度处理应该是：

• 取dense block最后一层的输出特征图(B, C, H, W)（B为batch size，C为通道数）；
• 取分类头最后一层全连接层的权重(num_classes, C)；
• 用爱因斯坦求和实现加权运算：torch.einsum('bchw,ck->bkhw', features, weights)，得到对应类别的定位热力图。

3. 关于论文中层相关权重的理解 #

你提到“层相关权重属于每个dense block的最后一层”，如果论文确实设计了针对dense block的权重约束，那应该是给每个block的输出特征图分配可学习的权重系数，再做多尺度特征融合，而非直接拿卷积层参数和Logits做乘法。

建议你重新梳理论文中权重约束模块的公式与流程图，先把逻辑搞对，再处理维度匹配问题。

内容的提问来源于stack exchange，提问作者learner99