GAN训练报错ValueError: torch输入与target张量尺寸不匹配

报错根因 #

报错本质是计算损失时，判别器输出的预测值张量和传入的标签张量第一维长度不一致：

• 尺寸为torch.Size([47, 1])的张量是判别器对当前输入批次的预测输出，代表当前批次实际只有47个样本
• 尺寸为torch.Size([64, 1])的张量是手动创建的分类标签，长度固定为设置的batch size=64，没有跟随当前批次的实际样本数调整

第0个epoch前期运行正常的原因 #

PyTorch的DataLoader默认参数drop_last=False，加载数据时不会丢弃最后一个不足设定batch size的批次：

1. 第0个epoch遍历的前若干个批次都是满的64个样本，判别器输出尺寸为(64,1)，和固定长度的标签尺寸匹配，不会触发错误
2. 遍历到epoch的最后一个批次时，数据集剩余样本总数不足64，只剩47个，判别器输出尺寸变为(47,1)，和固定为64长度的标签尺寸不匹配，在损失计算、反向传播环节触发报错。

修复方案 #

二选一即可：

方案1：丢弃最后一个不完整批次（改动最小） #

初始化训练集DataLoader时添加drop_last=True参数，直接跳过最后一个凑不满64个样本的批次，所有传入模型的批次样本数固定为64，不需要修改损失计算逻辑：

from torch.utils.data import DataLoader

train_loader = DataLoader(
    dataset=custom_dataset,
    batch_size=64,
    shuffle=True,
    # 保留原有其他参数如num_workers等
    drop_last=True # 新增该行
)

方案2：动态生成匹配当前批次尺寸的标签（不浪费样本） #

不要在训练循环外提前创建固定长度为64的真/假标签，每轮迭代拿到当前批次数据后，先读取当前批次的实际样本数，再生成对应长度的标签：

# 错误写法：提前写死标签长度
# real_label = torch.ones(64, 1).to(device)
# fake_label = torch.zeros(64, 1).to(device)

for real_imgs, _ in train_loader:
    # 先获取当前批次实际样本数
    bs = real_imgs.shape[0]
    # 动态生成对应尺寸的标签
    real_label = torch.ones(bs, 1).to(device)
    fake_label = torch.zeros(bs, 1).to(device)

    # 判别器训练逻辑保持原有写法即可
    # 真样本前向
    real_imgs = real_imgs.to(device)
    d_real_pred = discriminator(real_imgs)
    d_loss_real = bce_loss(d_real_pred, real_label)
    # 假样本前向
    z = torch.randn(bs, latent_dim).to(device)
    fake_imgs = generator(z)
    d_fake_pred = discriminator(fake_imgs.detach())
    d_loss_fake = bce_loss(d_fake_pred, fake_label)
    # 反向传播更新
    d_loss = d_loss_real + d_loss_fake
    d_opt.zero_grad()
    d_loss.backward()
    d_opt.step()

    # 生成器训练部分同理，取当前批次实际大小生成对应标签即可

内容的提问来源于stack exchange，提问作者Sterik