维度理解误区：为何神经网络（NN）不兼容当前维度？

常见维度误区及解决方法 #

• 样本与特征顺序混淆：多数框架（如PyTorch、TensorFlow）默认输入格式为 (批量大小, 特征数)，若把单个样本的特征数放在前面（比如输入形状是 (特征数, 批量大小)），就会和网络期望的维度冲突。
• 缺失批量维度：单样本输入如果是 (特征数,) 这种一维张量，但网络要求带批量维度的 (1, 特征数)，直接输入必然报错。
• 层间维度不衔接：比如上一层全连接层输出128维特征，但下一层全连接层的 in_features 设为256，前后维度不匹配，自然无法兼容。

快速排查步骤 #

1. 打印输入数据形状：用代码 print(data.shape) 确认当前输入的维度结构。
2. 核对网络第一层参数：全连接层看 in_features 参数，卷积层看 in_channels，明确网络期望的输入维度。
3. 调整输入维度：
   • 缺批量维度用 unsqueeze(0) 补充，比如把 (10,) 改成 (1,10)；
   • 顺序错误用 transpose() 或 permute() 转置；
   • 结构不符用 view() 或 reshape() 重塑形状。

内容的提问来源于stack exchange，提问作者Alexander Alexandrov