多分类训练模型绘图失败求助：ValueError维度不匹配问题

错误原因 #

你遇到的ValueError: x and y must have same first dimension, but have shapes (100,) and (938,)，本质是绘制损失曲线时x轴和y轴数据长度不匹配：

• 你的训练循环设置了no_epochs = 100，train_loss列表最终会存入100个元素（每个epoch的平均训练损失）。
• 训练集MNIST有60000条数据，batch_size=64，所以训练迭代次数是60000//64=937，即itr+1=938。如果你的绘图代码错误地用了训练迭代次数（938个）作为x轴，和仅100个元素的train_loss配对，就会触发维度不匹配错误。

另外你的代码还缺失验证循环，val_loss始终是空列表，后续绘图也会出问题。

修复步骤 #

1. 补全完整的训练+验证循环 #

先把训练和验证逻辑补全，确保train_loss和val_loss都能正确收集每个epoch的损失：

no_epochs = 100
train_loss = list()
val_loss = list()
best_val_loss = float('inf')  # 初始化为无穷大，更适合后续判断最优模型

for epoch in range(no_epochs):
    total_train_loss = 0
    total_val_loss = 0

    # 训练阶段
    model.train()
    for itr, (image, label) in enumerate(train_dataloader):
        if torch.cuda.is_available():
            image = image.cuda()
            label = label.cuda()

        optimizer.zero_grad()
        pred = model(image)
        loss = criterion(pred, label)
        total_train_loss += loss.item()
        loss.backward()
        optimizer.step()

    total_train_loss = total_train_loss / (itr + 1)
    train_loss.append(total_train_loss)

    # 验证阶段（之前代码缺失这部分）
    model.eval()
    with torch.no_grad():  # 验证阶段不需要计算梯度，节省资源
        for itr, (image, label) in enumerate(val_dataloader):
            if torch.cuda.is_available():
                image = image.cuda()
                label = label.cuda()

            pred = model(image)
            loss = criterion(pred, label)
            total_val_loss += loss.item()

    total_val_loss = total_val_loss / (itr + 1)
    val_loss.append(total_val_loss)

    print(f"Epoch {epoch+1}/{no_epochs}, Train Loss: {total_train_loss:.4f}, Val Loss: {total_val_loss:.4f}")

2. 正确绘制损失曲线 #

用epoch数作为x轴（长度100），和train_loss、val_loss（长度均为100）配对，保证维度一致：

import matplotlib.pyplot as plt

plt.figure(figsize=(10, 6))
plt.plot(range(1, no_epochs+1), train_loss, label='训练损失')
plt.plot(range(1, no_epochs+1), val_loss, label='验证损失')
plt.xlabel('Epoch（训练轮次）')
plt.ylabel('Loss（损失值）')
plt.title('训练与验证损失变化曲线')
plt.legend()
plt.show()

3. 额外优化建议 #

• 你的Adam优化器lr=0.1过大，MNIST任务建议用lr=0.001，否则模型训练会不稳定，损失可能震荡甚至不收敛。
• 初始best_val_loss=1不合理，改为float('inf')能确保第一次验证损失一定会触发最优模型的判断逻辑。

内容的提问来源于stack exchange，提问作者Onalenna Mpape