PyTorch搭建CNN报错：输入设为Long类型却出现类型不匹配错误

错误原因 #

PyTorch的nn.Conv2d层默认使用浮点型权重（torch.FloatTensor或torch.cuda.FloatTensor），而你传入的输入是torch.LongTensor。卷积运算要求输入张量与层权重的数值类型完全一致，类型不匹配就会触发RuntimeError报错。

解决方法 #

核心是将输入张量转换为浮点型，有两种常用方式：

• 方式1：创建数据时直接转换
  在生成数据后调用.float()方法转为浮点型，同时建议将图像数据归一化到0-1区间（CNN训练的常规操作）：

  data = torch.randint(low=0, high=255, size=[2, 1, 1024, 1024], dtype=torch.int64).float() / 255.0
  

• 方式2：传入模型前临时转换
  如果需要保留原始长整型数据，在传入模型时转换：

  out = model(data.float())
  

修正后的完整代码 #

import torch
import torch.nn as nn

data = torch.randint(low=0, high=255, size=[2, 1, 1024, 1024], dtype=torch.int64).float() / 255.0
model = nn.Conv2d(1, 3, kernel_size=3, padding=1, bias=False)
print(data.type())  # 输出torch.FloatTensor
out = model(data)
print(out.shape)  # 输出torch.Size([2, 3, 1024, 1024])

注意：不要尝试将模型权重转为长整型，卷积运算本质是浮点运算，强制转换会丢失精度，完全不符合CNN的设计逻辑。

内容的提问来源于stack exchange，提问作者The Hagen