PyTorch CNN张量形状不兼容错误求助：矩阵相乘失败

错误的核心原因是展平张量时的形状逻辑错误：
你打印出的卷积池化后张量形状为torch.Size([4, 128, 1, 1])，其中第一维是批量大小（4），第二维是特征通道数（128），后两维是空间维度（1x1）。但你用x.view((128 * 1 * 1, 4))将张量强行改为(128,4)，而线性层lin1的输入特征数是128，它期望的输入形状是[批量大小, 输入特征数]（即[4,128]），这直接导致矩阵乘法维度不匹配（128x4 和 128x50 无法完成矩阵乘法，正确的维度应该是4x128 和 128x50）。

修正方案 #

将展平操作替换为以下两种方式之一：

1. 显式指定正确形状：x = x.view(4, 128)
2. 通用自适应写法（推荐，避免硬编码维度，后续修改卷积池化参数时无需改动）：x = x.view(x.size(0), -1)，其中x.size(0)获取当前批量大小，-1让PyTorch自动计算剩余维度的总特征数。

修改后的完整forward方法 #

def forward(self, x):
    x = self.pool1(F.relu(self.conv1(x)))
    x = self.pool2(F.relu(self.conv2(x)))
    
    print(x.size())
    # 正确展平：保持批量维度在第一位，合并剩余维度为特征维度
    x = x.view(x.size(0), -1)
    
    x = F.relu(self.lin1(x))
    # 注意：如果目标生长条件可能包含负数，最后一层用ReLU会截断输出，可能影响MSE拟合效果，可根据实际需求调整激活函数
    x = F.relu(self.lin2(x))
    
    return x

额外规范建议 #

你的__init__方法中super调用顺序不符合规范，建议先调用父类初始化再定义属性：

def __init__(self, image_length):
    super(My_Net, self).__init__()
    self.image_length = image_length
    # 后续卷积、线性层定义...

内容的提问来源于stack exchange，提问作者Christian Garvin