训练MNIST模型遇RuntimeError：输入(10x7x7)输出(10x0x0)

嘿，我来帮你搞定这个报错！这个错误的核心原因是：你的模型是从处理128x128图像的代码改过来的，但没适配MNIST的28x28小尺寸，导致最后平均池化的时候，输入特征图的尺寸比池化核还小，直接算出了0x0的无效输出。

咱们一步步拆解你的模型运行逻辑（输入是MNIST的(1,28,28)张量）：

• 前两层卷积+BN+LeakyReLU后，尺寸保持(64,28,28)（因为padding=1、stride=1，卷积不会改变特征图尺寸）
• 第一次MaxPool2d(2,2)后，尺寸缩小一半：(64,14,14)
• 接下来两层卷积后尺寸还是(256,14,14)
• 第二次MaxPool2d(2,2)后，尺寸变成(256,7,7)
• 最后一层卷积把通道数降到10，输出(10,7,7)
• 这时候你用了AvgPool2d(32)，池化核大小是32，但输入只有7x7，完全不够池化核覆盖，所以计算出来的输出就是(10,0,0)，直接触发RuntimeError。

修复方案 #

这里有两种简单的修复方式，选哪种都可以：

方式一：匹配当前输入尺寸调整池化核

把self.avg_pool = nn.AvgPool2d(32)改成self.avg_pool = nn.AvgPool2d(7)，因为经过两次池化后特征图正好是7x7，用7x7的池化核就能得到(10,1,1)的输出，后续flatten后正好能喂进Linear层。

方式二：用自适应平均池化（更灵活）

换成self.avg_pool = nn.AdaptiveAvgPool2d(1)，自适应池化会自动调整池化核大小，不管前面输出的特征图是多少尺寸，都能输出1x1的结果，以后换其他尺寸的输入也不用改这部分代码。

修改后的完整模型代码 #

def __init__(self):
    super(CNN_mnist, self).__init__()
    self.conv = nn.Sequential(
        # 输入: 1 x 28 x 28
        nn.Conv2d(1, 32, 3, 1, 1),
        nn.BatchNorm2d(32),
        nn.LeakyReLU(0.2),
        # 输出: 32 x 28 x 28
        nn.Conv2d(32, 64, 3, 1, 1),
        nn.BatchNorm2d(64),
        nn.LeakyReLU(0.2),
        # 输出: 64 x 28 x 28
        nn.MaxPool2d(2, 2),
        # 输出: 64 x 14 x 14
        nn.Conv2d(64, 128, 3, 1, 1),
        nn.BatchNorm2d(128),
        nn.LeakyReLU(0.2),
        # 输出: 128 x 14 x 14
        nn.Conv2d(128, 256, 3, 1, 1),
        nn.BatchNorm2d(256),
        nn.LeakyReLU(0.2),
        # 输出: 256 x 14 x 14
        nn.MaxPool2d(2, 2),
        # 输出: 256 x 7 x 7
        nn.Conv2d(256, 10, 3, 1, 1),
        nn.BatchNorm2d(10),
        nn.LeakyReLU(0.2)
        # 输出: 10 x 7 x 7
    )
    # 这里改成7或者自适应池化二选一即可
    self.avg_pool = nn.AvgPool2d(7)  # 或者 nn.AdaptiveAvgPool2d(1)
    # 输出: 10 x 1 x 1
    self.classifier = nn.Linear(10, 10)
def forward(self, x):
    features = self.conv(x)
    flatten = self.avg_pool(features).view(features.size(0), -1)
    output = self.classifier(flatten)
    return output, features

我还把注释里的尺寸都改成了MNIST对应的数值，这样你后续调试也更清楚~

内容的提问来源于stack exchange，提问作者user11173832