PyTorch卷积网络报矩阵形状不匹配(128x4与128x64无法相乘)问题

报错的核心原因是两处代码写法错误，导致卷积输出形状完全偏离设计预期：

• 输入张量缺少batch维度，维度顺序不符合PyTorch Conv2d层的输入要求
• Flatten层后的全连接层输入尺寸写死为128，和实际卷积输出展平长度不匹配

错误推导过程 #

你打印的初始state1形状为torch.Size([2, 12, 12])，是3维的(通道数, 高度, 宽度)格式，但PyTorch的Conv2d层要求输入必须是4维的(batch_size, 通道数, 高度, 宽度)格式。传入3维张量时，模型不会自动补batch维度，会直接将第0维的通道数2误判为batch维度，后续所有卷积、池化层的输出尺寸都会连锁出错：
三层卷积+池化处理完3维输入后，输出为3维张量(128, 2, 2)，经过默认参数的Flatten()（从第1维开始展平，保留第0维）后，输出形状变成128x4，刚好和报错里的mat1形状一致。此时你接的第一个全连接层Linear(128,64)的权重形状为128x64，矩阵乘法要求前一个矩阵的列数等于后一个矩阵的行数，两边维度不匹配直接抛出错误。

正确尺寸计算 #

如果输入是符合要求的单样本4维张量，形状为(1, 2, 12, 12)（batch=1，2通道，12x12尺寸），经过各层的输出尺寸如下：

1. Conv2d(2,32,3,padding=1) + ReLU + MaxPool2d(2,2)：输出形状(1, 32, 6, 6)
2. Conv2d(32,64,3,padding=1) + ReLU + MaxPool2d(2,2)：输出形状(1, 64, 3, 3)
3. Conv2d(64,128,3,padding=1) + ReLU + MaxPool2d(2,2,padding=1)：输出形状(1, 128, 2, 2)
4. Flatten()：展平后形状为(1, 128*2*2) = (1, 512)

修复方法 #

1. 修正所有输入的reshape逻辑，统一转成4维(batch, 通道, 高, 宽)格式，不要把空间、通道维度展平成1维：
   • 初始state1生成代码改为：

   state_ = game.board.render_np().reshape(1,2,size,size) + np.random.rand(1,2,size,size)/10.0
   

   • 后续state2生成、传入模型前的reshape也统一改成reshape(1,2,size,size)，删掉原来用l1展平的写法。
2. 修正全连接层输入尺寸，把模型里的torch.nn.Linear(128, 64)改成torch.nn.Linear(512, 64)。

修正后模型定义参考：

model = torch.nn.Sequential(
torch.nn.Conv2d(2,32,kernel_size=3,padding=1),
torch.nn.ReLU(),
torch.nn.MaxPool2d(2,2),

torch.nn.Conv2d(32,64,kernel_size=3,padding=1),
torch.nn.ReLU(),
torch.nn.MaxPool2d(2,2),

torch.nn.Conv2d(64,128,kernel_size=3,padding=1),
torch.nn.ReLU(),
torch.nn.MaxPool2d(2,2,padding=1),
torch.nn.Flatten(),

torch.nn.Linear(512, 64),
torch.nn.ReLU(),
torch.nn.Linear(64,4)
)

提示：如果后续调整输入图片尺寸，不要硬写全连接层输入长度，可以先传一个随机生成的符合形状的张量跑一遍卷积块，打印Flatten后的输出尺寸，再填对应全连接层的参数，避免算错。

内容的提问来源于stack exchange，提问作者Danny