PyTorch设置batch size为100时报输入与目标batch size不匹配问题

问题根因 #

• 卷积层输入维度不匹配：PyTorch的nn.Conv1d要求输入张量格式为(batch_size, in_channels, sequence_length)，你当前输入数据形状为(100, 32)，直接送入卷积层时维度逻辑完全错位，导致后续张量的batch维度丢失，送入自定义Hybrid层时仅能处理单样本。
• Hybrid量子层无批处理逻辑：你当前使用的Qiskit自定义Hybrid层默认只支持单样本输入，不管输入多少个样本，最终仅输出单样本结果(1, 2)，和你的batch size=100不匹配。

修复步骤 #

1. 调整卷积层输入格式与参数 #

首先修正维度适配问题：

• 若你的单样本特征长度为32、通道数为1，将__init__中的卷积层定义修改为nn.Conv1d(1, 1, kernel_size=1)，并在forward函数最开头扩展输入的通道维度：

def forward(self, x):
    # 新增维度扩展，将形状从(100, 32)转为符合Conv1d要求的(100, 1, 32)
    x = x.unsqueeze(1)
    x = F.relu(self.conv1(x))
    x = self.dropout(x)
    x = x.view(x.size(0), -1)
    x = F.relu(self.fc1(x))
    x = self.fc2(x)
    # 此时x形状为(100, 1)，送入Hybrid层
    x = self.hybrid(x)
    return torch.cat((x, 1 - x), -1)

若你的单样本通道数为32、特征长度为1，自行调整卷积层参数为nn.Conv1d(32, 1, kernel_size=1)，对应扩展维度方式改为x = x.unsqueeze(-1)即可。

2. 修改Hybrid层支持批处理 #

在Hybrid层的forward逻辑中增加批处理循环，逐个处理batch内的样本后再拼接输出：

def forward(self, x):
    # 输入x形状为(batch_size, 1)
    batch_out = []
    for single_sample in x:
        # 保留原有单样本量子计算逻辑，输出单个样本的计算结果
        single_res = 原有单样本处理逻辑(single_sample)
        batch_out.append(single_res)
    # 拼接后输出形状为(batch_size, 1)，匹配后续拼接要求
    return torch.tensor(batch_out, device=x.device)

修改后网络最终输出形状为(100, 2)，和标签的batch size完全匹配，报错即可解决。

内容的提问来源于stack exchange，提问作者user14924