PyTorch矩阵乘法报错排查：线性回归中的维度与数据类型问题

嘿，看你卡了3小时，肯定急坏了！咱们先把两个问题拆开来解决——一个是数据类型不匹配的RuntimeError，另一个是权重偏置的维度搞错了，一步步来：

1. 先解决数据类型不匹配的报错 #

你遇到的RuntimeError: Expected object of scalar type Double but got scalar type Float，原因很直白：

• 用numpy读进来的数据默认是**float64（Double）**类型，转成PyTorch张量后还是Double类型
• 但torch.randn()生成的权重w和偏置b默认是**float32（Float）**类型
• PyTorch做矩阵乘法时要求参与运算的张量类型必须一致，所以直接触发了报错

有两种修复方式，更推荐第一种（符合PyTorch默认的高效计算习惯）：

• 把输入张量转成float32：将inputs = torch.from_numpy(data_input)改成inputs = torch.from_numpy(data_input).float()
• 或者把权重偏置改成double类型：w = torch.randn(..., dtype=torch.double, requires_grad=True)，b同理

2. 再修正权重和偏置的维度错误 #

你的任务是用4个输入特征预测1科成绩（grade_one），线性回归的维度逻辑应该是这样的：

• 输入张量inputs的形状是(样本数N, 特征数in_features) → 也就是(395,4)
• 权重w的正确形状应该是(输出特征数out_features, 输入特征数in_features) → 这里输出是1科成绩，所以是(1,4)
• 偏置b的形状应该是(输出特征数out_features,) → 也就是(1,)

你原来的w=(395,4)转置后是(4,395)，和inputs=(395,4)相乘会得到(395,395)的结果，这完全不是我们要的预测值，而且偏置b=(4)也没法和这个结果相加，维度肯定错了。

修改后的权重偏置定义：

w = torch.randn(1, 4, requires_grad=True)
b = torch.randn(1, requires_grad=True)

这样inputs @ w.t()会得到(395,1)的结果，和b相加时PyTorch会自动广播b到(395,1)，维度就完全匹配了。

完整修改后的代码 #

import torch
import numpy as np
from numpy import genfromtxt

# 读取数据部分不变
data = np.genfromtxt('student-mat.csv', delimiter=',', dtype=float)
data_input = data[1:, 0:4]
output = data[1:, 4:7]

# 修复1：把输入转成float32类型，保证和权重偏置类型一致
inputs = torch.from_numpy(data_input).float()
outputs = torch.from_numpy(data[1:, 4:5]).float()  # 输出也转成float32，后续计算Loss时类型不会冲突

# 修复2：修正权重和偏置的维度
w = torch.randn(1, 4, requires_grad=True)
b = torch.randn(1, requires_grad=True)

def model(x):
    return x @ w.t() + b

preds = model(inputs)
print(preds.shape)  # 现在应该输出torch.Size([395, 1])，完全符合预期
print(preds)

额外小提示 #

如果之后要同时预测3科成绩（输出是(395,3)），只需要把权重改成(3,4)，偏置改成(3,)就行：输入(395,4) × 权重转置(4,3) → (395,3)，加偏置(3,)时会自动广播成(395,3)，逻辑完全通用。

内容的提问来源于stack exchange，提问作者JWLBOYCE