看起来你遇到了两个典型的自定义图片测试阶段的尺寸不匹配问题，咱们一步步拆解解决：

第一个报错：张量堆叠失败（stack expects each tensor to be equal size） #

这个错误的核心原因是你用ImageFolder加载的自定义图片尺寸不一致（比如有的是[3, 288, 352]，有的是[3, 256, 256]），而PyTorch的DataLoader默认会尝试把一个batch内的所有图片张量堆叠成统一形状的批量张量，尺寸不统一就会触发这个报错。之前用CIFAR数据集没问题，是因为CIFAR的所有图片都是固定的32×32尺寸。

解决办法： #

统一所有输入图片的尺寸，在transform流程里添加Resize操作，把图片缩放到你训练模型时使用的输入尺寸（比如CIFAR的32×32）：

transform = transforms.Compose([
    transforms.Resize((32, 32)),  # 替换成你训练时的输入尺寸，比如模型针对32×32训练就写这个
    transforms.ToTensor()
])
testset = datasets.ImageFolder(root="/home/khawar/Desktop/End-to-End_IEEE-TVSCT/test/", transform=transform)

如果必须保留图片原始尺寸，可以设置DataLoader的batch_size=1，同时自定义collate_fn跳过张量堆叠，但这种方式效率较低，且可能触发第二个错误，更推荐统一尺寸的方案。

第二个报错：模型前向传播维度不匹配（size of tensor a (256) must match the size of tensor b (32)） #

这个错误是因为你的模型是针对固定尺寸的输入（比如CIFAR的32×32）训练的，模型内部的卷积、池化或全连接层的参数都是基于这个尺寸设计的。现在输入大尺寸图片（比如256×256），经过模型层处理后，张量的维度和后续层的预期维度不匹配，就会触发冲突。

解决办法： #

1. 最直接的方案：按照上面的方式，把所有测试图片缩放到训练时的输入尺寸，模型就能正常处理了。
2. 如果需要支持任意尺寸图片：你需要修改模型结构，替换依赖固定输入尺寸的层：
   • 把固定输出尺寸的池化层（比如nn.MaxPool2d(2, 2)）替换成自适应池化层nn.AdaptiveAvgPool2d((H, W))，其中H和W是后续层需要的尺寸；
   • 如果模型包含全连接层，建议去掉全连接层，改用全局平均池化（nn.AdaptiveAvgPool2d(1)）再接输出层，这样就能适配任意输入尺寸。

额外代码优化建议 #

• 加载模型时建议加上map_location参数，避免在无GPU环境下报错：

  model.load_state_dict(torch.load('./checkpoint/model.pth', map_location='cuda' if CUDA else 'cpu'))
  

• 后续如果改用DataLoader，注意设置合理的batch参数：

  from torch.utils.data import DataLoader
  testloader = DataLoader(testset, batch_size=1, shuffle=False)  # 统一尺寸后可设更大batch
  # 函数内遍历testloader而非testset
  for i, (data, _) in enumerate(testloader):
      # 后续逻辑
  

内容的提问来源于stack exchange，提问作者Khawar Islam