如何修复PyTorch二分类CNN触发的UnboundLocalError: o1未定义就引用报错

• 变量赋值顺序颠倒：你初始化nn.Conv2d时用到的o1、o2是在卷积层定义之后才赋值的，Python执行代码是从上到下顺序执行，调用未赋值的变量自然会触发UnboundLocalError。
• 参数逻辑混淆：nn.Conv2d的第二个入参是卷积层的输出通道数，属于需要手动指定的超参数；而你写的_get_conv1_out方法是用来计算卷积输出特征图展平后的总元素数，完全不能当作卷积输出通道数使用，两者概念完全不同。同时你调用_get_conv1_out时只传入了输入通道数n，该方法需要传入输入张量的完整尺寸（通道数+高+宽）才能正确计算输出尺寸，传参逻辑也存在错误。

你可以直接手动指定两个卷积层的输出通道数作为超参数，再通过样例输入自动计算卷积输出的展平维度，不需要手动计算硬传全连接层的输入尺寸，修复后的参考代码如下：

import torch
import torch.nn as nn
import torch.nn.functional as F
import numpy as np

class BinCNN(nn.Module):
    def __init__(self, in_channels, img_h, img_w, 
                 conv1_kernel=(2,2), conv1_out_channels=16,
                 conv2_kernel=(1,1), conv2_out_channels=32,
                 dropout_p=0.3, fc_hidden_dim=150):
        super().__init__()
        # 先定义卷积层
        self.conv1 = nn.Conv2d(in_channels, conv1_out_channels, kernel_size=conv1_kernel)
        self.conv2 = nn.Conv2d(conv1_out_channels, conv2_out_channels, kernel_size=conv2_kernel)
        self.drop = nn.Dropout(dropout_p)
        
        # 自动计算卷积输出展平后的维度
        with torch.no_grad():
            dummy_input = torch.zeros(1, in_channels, img_h, img_w)
            conv_out = self.conv2(self.conv1(dummy_input))
            flatten_dim = int(np.prod(conv_out.size()))
        
        # 初始化全连接层
        self.fcl1 = nn.Linear(flatten_dim, fc_hidden_dim)
        self.fcl2 = nn.Linear(fc_hidden_dim, 2)

    def forward(self, x):
        x = F.relu(self.conv1(x))
        x = F.relu(self.conv2(x))
        x = x.flatten(1)
        x = self.drop(F.relu(self.fcl1(x)))
        return self.fcl2(x)

实例化模型时传入你的输入图像尺寸即可，示例如下（以3通道32*32输入为例）：

sd = BinCNN(in_channels=3, img_h=32, img_w=32, dropout_p=0.3, fc_hidden_dim=150)
print(sd)

内容的提问来源于stack exchange，提问作者ZealotTV