PyTorch中如何自动计算Conv1d堆叠后的输出维度以设置Linear层in_features

以下两种方案均无需手动计算卷积、池化层的输出维度，可直接程序化适配任意长度的输入：

方法1：模型初始化阶段预计算维度（适合固定输入长度的实验场景） #

先完成所有卷积层的定义，再传入对应长度的虚拟输入跑完卷积部分，直接用输出的展平长度初始化第一个全连接层：

import torch
import torch.nn as nn

class FixedSeqModel(nn.Module):
    def __init__(self, conv_layers_config, target_seq_len, num_classes=10):
        super().__init__()
        # 构建所有Conv1d相关层（可包含BN、池化、激活函数）
        self.conv_layers = nn.Sequential()
        for i, (in_channels, out_channels, kernel_size, stride, padding) in enumerate(conv_layers_config):
            self.conv_layers.add_module(f'conv_{i}', nn.Conv1d(in_channels, out_channels, kernel_size, stride, padding))
            self.conv_layers.add_module(f'relu_{i}', nn.ReLU())
            self.conv_layers.add_module(f'pool_{i}', nn.MaxPool1d(2)) # 按需调整池化参数
        
        # 虚拟输入计算卷积输出维度
        dummy_input = torch.randn(2, conv_layers_config[0][0], target_seq_len)
        with torch.no_grad():
            conv_out = self.conv_layers(dummy_input)
        # 展平后的维度为 输出通道数 * 输出序列长度
        linear_in_features = conv_out.size(1) * conv_out.size(2)
        
        # 初始化全连接层
        self.fc_layers = nn.Sequential(
            nn.Linear(linear_in_features, 256),
            nn.ReLU(),
            nn.Linear(256, num_classes)
        )
    
    def forward(self, x):
        x = self.conv_layers(x)
        x = x.flatten(1) # 保留batch维度，展平特征维度
        x = self.fc_layers(x)
        return x

更换实验的输入长度时，只需要传入新的target_seq_len重新初始化模型即可。

方法2：前向传播动态初始化全连接层（适合可变输入长度的场景） #

延迟全连接层的初始化时机，第一次前向传播时自动根据当前输入的卷积输出维度创建全连接层：

class DynamicSeqModel(nn.Module):
    def __init__(self, conv_layers_config, num_classes=10):
        super().__init__()
        # 先构建所有卷积层
        self.conv_layers = nn.Sequential()
        for i, (in_channels, out_channels, kernel_size, stride, padding) in enumerate(conv_layers_config):
            self.conv_layers.add_module(f'conv_{i}', nn.Conv1d(in_channels, out_channels, kernel_size, stride, padding))
            self.conv_layers.add_module(f'relu_{i}', nn.ReLU())
            self.conv_layers.add_module(f'pool_{i}', nn.MaxPool1d(2))
        
        # 全连接层先设为空，后续动态创建
        self.fc_layers = None
        self.num_classes = num_classes
    
    def forward(self, x):
        x = self.conv_layers(x)
        x = x.flatten(1)
        # 第一次前向或更换输入长度后初始化全连接层
        if self.fc_layers is None:
            linear_in_features = x.size(1)
            self.fc_layers = nn.Sequential(
                nn.Linear(linear_in_features, 256),
                nn.ReLU(),
                nn.Linear(256, self.num_classes)
            ).to(x.device) # 确保全连接层和输入在同一设备
        x = self.fc_layers(x)
        return x

注意：如果需要更换输入长度，只需手动执行model.fc_layers = None，下一次前向传播会自动适配新的维度。

额外优化方案 #

如果不需要保留序列维度的特征，可以在卷积层最后添加nn.AdaptiveAvgPool1d(1)，不管输入序列长度是多少，输出的序列长度固定为1，全连接层的in_features直接等于最后一层卷积的输出通道数即可，不需要做任何维度适配。

内容的提问来源于stack exchange，提问作者Neo