PyTorch下GaborNet报mat1 dim1需匹配mat2 dim0错误求解

触发RuntimeError: mat1 dim 1 must match mat2 dim 0的直接原因是全连接层做矩阵乘法时，输入张量的特征维度和全连接层权重的维度不匹配，具体到你的代码有两个核心问题：

• 卷积层输出为4维结构（批次大小、通道数、特征图高度、特征图宽度），但nn.Linear全连接层仅支持2维输入（批次大小、特征总数），你把卷积到全连接层之间必须的展平操作全部注释了，输入维度格式根本不匹配。
• 你目前只打印到了第一个池化层后的张量尺寸，后续c2卷积层、对应池化层的输出尺寸没有确认，fc1层定义的输入特征数和实际卷积输出的展平特征数不一致。

• 补全前向传播中c1、c2卷积和对应池化层的计算逻辑，逐层打印输出尺寸，确认所有卷积、池化操作执行完后的最终4维张量形状。
• 在全连接层之前添加展平操作，不要硬编码固定的展平尺寸，用通用写法保留批次维度，将剩余维度合并为一维特征：

x = torch.flatten(x, start_dim=1)

• 根据卷积层最终输出的形状计算展平后的单样本特征总数（计算方式：通道数特征图高度特征图宽度），用这个数值作为fc1层的in_features参数定义全连接层，不要随意填写数值。

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

class GaborClsModel(nn.Module):
    def __init__(self, num_classes=你的分类类别数):
        super().__init__()
        self.g0 = modConv2d(in_channels=3, out_channels=32, kernel_size=(11, 11), stride=1)
        self.pool1 = nn.MaxPool2d(kernel_size=2, stride=2)
        self.c1 = nn.Conv2d(in_channels=32, out_channels=64, kernel_size=(2, 2), stride=1)
        self.pool2 = nn.MaxPool2d(kernel_size=2, stride=2)
        self.c2 = nn.Conv2d(in_channels=64, out_channels=128, kernel_size=(2, 2), stride=1)
        self.pool3 = nn.MaxPool2d(kernel_size=2, stride=2)

        # 按150*150输入逐层计算：
        # g0输出尺寸140*140 → pool1后70*70，和你打印的尺寸一致
        # c1输出尺寸69*69 → pool2后34*34
        # c2输出尺寸33*33 → pool3后16*16
        # 展平特征数=128*16*16=32768，按你实际打印的尺寸替换这个值
        self.fc1 = nn.Linear(32768, 512)
        self.fc2 = nn.Linear(512, 128)
        self.fc3 = nn.Linear(128, num_classes)

    def forward(self, x):
        x = self.pool1(F.relu(self.g0(x)))
        x = self.pool2(F.relu(self.c1(x)))
        x = self.pool3(F.relu(self.c2(x)))
        # 必须添加的展平操作
        x = torch.flatten(x, start_dim=1)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

卷积输出尺寸计算公式：输出边长 = (输入边长 - 卷积核边长 + 2*填充数)/步长 + 1，如果你的网络没有三层池化、或者卷积参数有调整，按照公式重新计算展平特征数，替换fc1的in_features参数即可。

内容的提问来源于stack exchange，提问作者shel coop