PyTorch自定义DNN调用torchsummary报通道不匹配错误

• 直接触发RuntimeError的原因是通道数不匹配：定义的第一层Conv1din_channels=2，要求输入张量通道数为2，但传入torchsummary的输入size是(1,892)、(1,492)，对应单通道输入，卷积层拿到的输入通道数和权重期望的通道数不一致。PyTorch中Conv1d的输入维度顺序为(batch_size, in_channels, signal_length)，定义卷积层时的in_channels必须和输入张量的通道维度严格对齐。
• 模型前向传播存在逻辑错误：第四层卷积之后错误调用了self.pool3，没有使用已经定义好的self.pool4，会导致输出维度计算偏差。
• 张量拼接语法错误：torch.cat(x,y,1)的写法不符合API要求，torch.cat需要将待拼接的张量存入列表/元组作为第一个参数传入，当前写法会把y错误识别为dim参数，运行时会触发参数类型错误。
• 全连接层输入维度硬编码错误：fc1的in_features=3200是随机预估值，没有和卷积池化后的展平维度对齐，运行时会触发全连接层维度不匹配错误。

1. 先对齐输入通道数：如果两个分支输入是单通道时序信号，将第一层Conv1d的in_channels改为1；如果输入是2通道信号，将torchsummary调用时的输入size改为(2,892)、(2,492)即可。以下修复以单通道输入为例。
2. 修正前向传播中池化层的调用错误，第四层卷积后统一调用self.pool4。
3. 修正torch.cat的调用写法，将待拼接张量放入列表后传入。
4. 移除fc1层硬编码的in_features值，在模型初始化时通过构造哑张量自动计算卷积池化后的展平维度，无需手动计算，后续修改卷积参数、输入长度时会自动适配，不会出现维度不匹配问题。

修正后的完整模型代码如下：

import torch
from torch import nn
import torch.nn.functional as F

class myDNN(nn.Module):  
  def __init__(self, x_len=892, y_len=492):
    super(myDNN, self).__init__()

    # 卷积与池化层定义
    self.conv1 = nn.Conv1d(in_channels=1, out_channels=8, kernel_size=7)
    self.pool1 = nn.MaxPool1d(kernel_size=2, stride=2) 

    self.conv2 = nn.Conv1d(in_channels=8, out_channels=16, kernel_size=3) 
    self.pool2 = nn.MaxPool1d(kernel_size=2, stride=2) 

    self.conv3 = nn.Conv1d(in_channels=16, out_channels=32, kernel_size=3) 
    self.pool3 = nn.MaxPool1d(kernel_size=2, stride=2) 

    self.conv4 = nn.Conv1d(in_channels=32, out_channels=64, kernel_size=3) 
    self.pool4 = nn.MaxPool1d(kernel_size=2, stride=2)

    self.conv5 = nn.Conv1d(in_channels=64, out_channels=128, kernel_size=3) 
    self.pool5 = nn.MaxPool1d(kernel_size=2, stride=2) 

    self.flatten = nn.Flatten() 
    self.drop1 = nn.Dropout(p=0.5) 

    # 自动计算全连接层输入维度
    with torch.no_grad():
      # 计算x分支卷积输出展平长度
      dummy_x = torch.zeros(1, 1, x_len)
      dx = self.pool1(F.relu(self.conv1(dummy_x)))
      dx = self.pool2(F.relu(self.conv2(dx)))
      dx = self.pool3(F.relu(self.conv3(dx)))
      dx = self.pool4(F.relu(self.conv4(dx)))
      dx = self.pool5(F.relu(self.conv5(dx)))
      x_flat_len = self.flatten(dx).shape[1]

      # 计算y分支卷积输出展平长度
      dummy_y = torch.zeros(1, 1, y_len)
      dy = self.pool1(F.relu(self.conv1(dummy_y)))
      dy = self.pool2(F.relu(self.conv2(dy)))
      dy = self.pool3(F.relu(self.conv3(dy)))
      dy = self.pool4(F.relu(self.conv4(dy)))
      dy = self.pool5(F.relu(self.conv5(dy)))
      y_flat_len = self.flatten(dy).shape[1]

      fc1_input_dim = x_flat_len + y_flat_len

    self.fc1 = nn.Linear(in_features=fc1_input_dim, out_features=50)
    self.drop2 = nn.Dropout(p=0.5)
    self.fc2 = nn.Linear(in_features=50, out_features=25)
    self.fc3 = nn.Linear(in_features=25, out_features=2)


  def forward(self, x, y):  
    # x分支前向传播
    x = F.relu(self.conv1(x))  
    x = self.pool1(x)
    x = F.relu(self.conv2(x)) 
    x = self.pool2(x)
    x = F.relu(self.conv3(x))
    x = self.pool3(x)
    x = F.relu(self.conv4(x))
    x = self.pool4(x)
    x = F.relu(self.conv5(x))
    x = self.pool5(x)
    
    # y分支前向传播
    y = F.relu(self.conv1(y))  
    y = self.pool1(y)
    y = F.relu(self.conv2(y)) 
    y = self.pool2(y)
    y = F.relu(self.conv3(y))
    y = self.pool3(y)
    y = F.relu(self.conv4(y))
    y = self.pool4(y)
    y = F.relu(self.conv5(y))
    y = self.pool5(y)

    # 特征拼接
    x = self.flatten(x)
    y = self.flatten(y)
    w = torch.cat([x, y], dim=1) 
    
    # 全连接分类头
    w = self.drop1(w)
    w = F.relu(self.fc1(w))
    w = self.drop2(w)
    w = F.relu(self.fc2(w))
    w = self.fc3(w)
    out = F.log_softmax(w, dim=1) 

    return out

模型结构打印代码无需修改，直接运行即可：

model = myDNN(x_len=892, y_len=492)
print(model)

from torchsummary import summary
if torch.cuda.is_available():
  summary(model.cuda(), input_size = [(1,892),(1,492)])
else:
  summary(model, input_size = [(1,892),(1,492)])

自动计算全连接层输入维度的逻辑兼容后续的结构修改，只要调整卷积核大小、池化步长、输入信号长度，初始化时都会自动算出匹配的维度，不需要手动计算修改全连接层参数。

内容的提问来源于stack exchange，提问作者AleNekro97