PyTorch搭建口罩识别CNN报输入通道数不匹配RuntimeError

• 开发目标：编写CNN模型，实现人像照片中人物是否佩戴口罩、佩戴口罩类型的识别分类任务
• 数据集配置：训练集包含约1500张图片，各类别样本量均衡；测试集包含约450张图片
• 触发场景：完成训练数据加载器、测试逻辑的代码编写后运行程序，抛出运行时错误

RuntimeError: Given groups=1, weight of size [6, 3, 3, 3], expected input[4, 224, 3, 224] to have 3 channels, but got 224 channels instead

报错本质是卷积层要求的输入张量维度顺序，和实际传入的张量维度顺序不匹配：

1. PyTorch的Conv2d层强制要求输入张量遵循(batch_size, 通道数, 图像高度, 图像宽度)的(N,C,H,W)格式
2. 你定义的第一层卷积权重形状为[6, 3, 3, 3]，对应输出6个特征通道、输入3个通道（匹配RGB三通道图像）、卷积核尺寸3*3，权重本身定义无问题
3. 实际传入模型的输入张量形状为[4, 224, 3, 224]：其中batch size为4，第二维的224实际是图像高度，第三维的3才是RGB通道数，第四维的224是图像宽度。也就是你传入的是(N,H,W,C)格式的张量，框架误将第二维的224识别为输入通道数，才会抛出"期望3通道、实际得到224通道"的错误。

根据常见的触发场景，对应修复方式如下：

• 场景1：手动读取图片后未调整维度顺序
  OpenCV、PIL读取的图片默认存储格式为(H,W,C)，传入模型前需要手动调换维度顺序，参考代码：

  import torch
  # 假设img为读取得到的numpy数组，形状为(H,W,C)
  img_tensor = torch.from_numpy(img).permute(2, 0, 1)  # 转换为(C,H,W)格式
  # 组batch后最终形状自动符合(N,C,H,W)要求
  

• 场景2：数据变换流程配置错误
  若使用torchvision.transforms做数据预处理，确保流程中包含ToTensor()操作，该算子会自动将PIL图像、(H,W,C)格式的numpy数组转换为(C,H,W)格式、取值范围在[0,1]的张量。注意不要在ToTensor()执行后手动调换维度打乱顺序。
• 场景3：自定义DataLoader的批处理逻辑错误
  检查自定义collate_fn的批拼接逻辑，确保拼接后的batch张量维度顺序为(N,C,H,W)，不要将通道维放到高度、宽度维度之后。

内容的提问来源于stack exchange，提问作者christ