PyTorch孪生神经网络批量输入尺寸不匹配错误解决求助

错误核心是特征拼接维度选错了：

• 批量输入时，output1和output2的形状是[batch_size, 5]
• 默认的torch.cat会在样本维度（第0维）拼接，得到[2*batch_size, 5]的张量
• 但后续全连接层self.fc第一层是nn.Linear(10,5)，要求每个样本的特征是10维，自然就出现尺寸不匹配的报错

1. 修正拼接维度 #

在forward方法里，给torch.cat加上dim=1参数，把每个样本的两个特征在特征维度拼接，这样得到的张量形状是[batch_size, 10]，刚好匹配全连接层的输入要求：

def forward(self, input1, input2):
    output1 = self.forward_once(input1)
    output2 = self.forward_once(input2)
    # 关键修改：指定dim=1在特征维度拼接
    combinedOutput = torch.cat((output1, output2), dim=1)
    output = self.fc(combinedOutput)
    return output

2. 批量数据输入的正确姿势 #

你的DataLoader需要返回成对的输入数据，每个batch的结构应该是(input_batch1, input_batch2, label_batch)：

• input_batch1/input_batch2：形状[batch_size, 30]（对应你的输入特征维度）
• label_batch：形状[batch_size, 1]（二分类标签，0或1表示样本对是否相似）

训练循环的示例代码：

for input1, input2, labels in dataloader:
    optimizer.zero_grad()
    outputs = model(input1, input2)
    # Sigmoid输出是浮点型，标签要转成float匹配
    loss = criterion(outputs, labels.float())
    loss.backward()
    optimizer.step()

用随机批量数据测试是否正常：

model = MySiameseNet()
# 生成batch_size=10的随机输入
input1 = torch.randn(10, 30)
input2 = torch.randn(10, 30)
output = model(input1, input2)
print(output.shape)  # 应该输出torch.Size([10, 1])，符合预期

内容的提问来源于stack exchange，提问作者Edison