图神经网络训练准确率异常及PyTorch维度不匹配报错如何解决

1. 核心逻辑错误：任务类型与损失、评估逻辑不匹配 #

• 你数据集的y维度是[10, 12]，训练用F.mse_loss计算损失，属于多输出回归任务，但测试阶段用argmax(-1)取类别预测、统计分类正确率的逻辑是针对分类任务的，完全不适用于回归场景，这是准确率异常低的根本原因。
• 之前的维度报错原因：out的形状是[10,12]，out.argmax(-1)会把最后一维（12维）压缩，输出形状为[10]，和data.y的[10,12]维度不匹配，你强行把data.y reshape成[-1,1]之后，是用形状为[10]的预测值和形状为[120,1]的标签做广播比较，计算结果完全没有意义，自然准确率极低。

2. 代码错误修正 #

如果你确实是做多输出回归任务： #

删掉分类准确率的计算逻辑，改用回归指标评估，比如MAE、RMSE、R²分数：

# 测试函数回归评估示例
def test(loader):
    model.eval()
    total_mae = 0
    total_samples = 0
    with torch.no_grad(): # 必须加no_grad节省显存、避免无效梯度计算
        for data in loader:
            data = data.to(device)
            out = model(data)
            mae = F.l1_loss(out, data.y, reduction='sum')
            total_mae += mae.item()
            total_samples += data.y.numel()
    avg_mae = total_mae / total_samples
    return avg_mae

如果你实际是做12分类任务： #

首先确认数据集标签格式：分类任务的标签应该是每个样本对应一个类别索引，y的形状应该是[10]，如果你的[10,12]是onehot编码的标签，训练时应该用交叉熵损失，而不是MSE损失：

# 分类任务损失修正
loss = F.cross_entropy(out, data.y.argmax(-1)) # y为onehot编码时先转类别索引

准确率计算时维度要对应，且分母为总样本数而非批次数量：

pred = out.argmax(-1) # 形状[10]
label = data.y.argmax(-1) # 形状[10]
correct += int((pred == label).sum())
# 最终准确率计算：correct / 总样本数，而非correct / len(loader)

3. 其他需要修正的代码问题 #

• 你的forward函数没有写返回值，最后要补return x，否则模型输出为None，无法正常训练。
• 训练循环里csvwriter作用域错误，train函数内调用的外层csvwriter容易出现文件句柄异常，建议把写日志逻辑移到循环外层，或在train函数内单独打开文件处理。
• 定义模型时变量名是Model=Net()，后续优化器调用的是model.parameters()，注意大小写统一，否则会报参数为空错误。

内容的提问来源于stack exchange，提问作者Jewel_R