PyTorch点云分类测试样本数不匹配报错：[908,9080]

错误根源 #

报错ValueError: Found input variables with inconsistent numbers of samples: [908, 9080]的核心原因是**y_true和y_pred的数据结构完全不匹配**：

• y_true存储的是908个样本的10维one-hot标签（每个样本对应一个长度为10的列表），逻辑上是908个样本；
• y_pred通过reshape(-1)被强制展平成一维数组（9080个独立元素），被判定为9080个样本；
• accuracy_score会根据列表顶层元素数量判定样本数，因此出现样本数不匹配的错误。

针对性修复 #

点云分类任务绝大多数是单标签多分类（每个样本仅属于一个类别），推荐以下修复方案：

修复后的代码（单标签多分类场景） #

import torch
from sklearn.metrics import accuracy_score

def test(model, test_loader):    
    model.eval() 
    y_true = []
    y_pred = []
   
    with torch.no_grad():
        for data in test_loader:
            inputs, target = data['pointcloud'].to(device).float(), data['category'].to(device)
            # 单标签分类无需将标签转为one-hot，直接用原始类别索引（0-9）
            output_orig = model(inputs)
            # 单标签多分类用softmax输出类别概率，argmax获取预测类别索引
            output = torch.softmax(output_orig, dim=1)
            pred = torch.argmax(output, dim=1).detach().cpu().numpy()
            target = target.cpu().numpy()
            # 直接扩展类别索引列表，两者长度均为908
            y_true.extend(target.tolist()) 
            y_pred.extend(pred.tolist())
    
    return accuracy_score(y_true, y_pred)

如果是多标签分类场景（每个样本可属于多个类别） #

若你的任务确实是多标签分类，只需移除reshape(-1)，让y_pred保持与y_true一致的二维结构即可：

import torch
from sklearn.metrics import accuracy_score

def test(model, test_loader):    
    model.eval() 
    y_true = []
    y_pred = []
   
    with torch.no_grad():
        for data in test_loader:
            inputs, target = data['pointcloud'].to(device).float(), data['category'].to(device)
            target = torch.nn.functional.one_hot(target, num_classes=10).cpu().float()
            output_orig = model(inputs)
            output = torch.sigmoid(output_orig)  
            pred = (output.detach().cpu().numpy() > 0.5) * 1
            # 移除reshape(-1)，保持每个样本对应10维预测结果
            y_true.extend(target.tolist()) 
            y_pred.extend(pred.tolist())
    
    # 多标签场景下，accuracy_score会计算每个样本的标签匹配准确率后取平均
    return accuracy_score(y_true, y_pred)

关键注意事项 #

• 单标签多分类任务中，模型最后一层无需使用sigmoid，应配合softmax+交叉熵损失（CrossEntropyLoss）训练；
• 多标签分类任务才需要使用sigmoid+二元交叉熵损失（BCELoss）训练，需确保训练与测试逻辑一致。

内容的提问来源于stack exchange，提问作者MrFoxs