CNN训练CIFAR10正常、FMNIST出现通道数不匹配报错如何解决

• 报错核心是两个数据集的通道数不匹配：CIFAR10为RGB 3通道图像，你编写的CNN第一层卷积的输入通道数默认设置为3，刚好适配CIFAR10；但FMNIST是灰度图，仅1个通道，输入到第一层卷积时维度无法对齐。
• 报错信息中的参数可以直接验证问题：weight of size [32, 3, 3, 3]是第一层卷积的权重参数，第二个维度为3，代表要求输入通道数为3；而实际输入的张量shape是[4, 1, 28, 28]，第二个维度为1，对应单通道输入，因此触发维度不匹配错误。

可任选一种适配方案解决问题：

方案1：模型层动态适配输入通道数 #

将模型输入通道数改为可传参数，调用时根据数据集类型传入对应值即可，无需修改数据加载逻辑：

# 模型定义修改示例
class CNN(nn.Module):
    # 新增in_channels参数，默认设为3兼容CIFAR10
    def __init__(self, in_channels=3, num_classes=10):
        super().__init__()
        # 第一层卷积的输入通道数替换为变量
        self.conv1 = nn.Conv2d(in_channels=in_channels, out_channels=32, kernel_size=3, padding=1)
        # 后续网络层无需修改

调用模型时对应传参：

• 跑CIFAR10数据集：model = CNN(in_channels=3)
• 跑FMNIST数据集：model = CNN(in_channels=1)

方案2：数据加载环节转换FMNIST格式 #

如果不想修改模型代码，可以在FMNIST的数据预处理环节，将单通道图转成3通道，同时可同步把28×28的原始尺寸resize到32×32，适配你原本为CIFAR10设计的下采样逻辑，避免后续特征图尺寸不匹配报错：

import torchvision.transforms as transforms

fmnist_transform = transforms.Compose([
    transforms.Resize((32,32)), # 统一尺寸为32×32，匹配CIFAR10的输入尺寸
    transforms.Grayscale(num_output_channels=3), # 单通道灰度图转3通道
    transforms.ToTensor(),
])

加载FMNIST数据集时使用上述transform即可。

额外注意事项 #

如果修改后仍出现特征图尺寸报错，是因为FMNIST原始尺寸为28×28、CIFAR10为32×32，经过相同次数的卷积、池化操作后输出的特征图尺寸不一致，会导致全连接层输入维度不匹配，要么按方案2统一resize到相同尺寸，要么在模型中动态计算全连接层的输入维度即可。

内容的提问来源于stack exchange，提问作者Barak Niv