PyTorch多分支CNN如何调整输入维度适配前向传播解决报错

实现需求 #

我有形状为(20,20,20)的单个样本数据，其中20个形状为(1,20,20)的张量将分别输入给20个独立的CNN。以下是我目前编写的代码：

class MyModel(torch.nn.Module):
   def __init__(self, ...):
       ...
        self.features = nn.ModuleList([nn.Sequential(
            nn.Conv2d(1,10, kernel_size = 3, padding = 1),
            nn.ReLU(),
            nn.Conv2d(10, 14, kernel_size=3, padding=1),
            nn.ReLU(),
            nn.Conv2d(14, 18, kernel_size=3, padding=1),
            nn.ReLU(),
            nn.Flatten(),
            nn.Linear(28*28*18, 256)
        ) for _ in range(20)])
        self.fc_module = nn.Sequential(
            nn.Linear(256*n_selected, cnn_output_dim),
            nn.Softmax(dim=n_classes)
        )
   
    def forward(self, input_list):
        concat_fusion = cat([cnn(x) for x,cnn in zip(input_list,self.features)], dim = 0)
        output = self.fc_module(concat_fusion)
        return output

模型前向函数的输入input_list形状为torch.Size([100, 20, 20, 20])，其中100为批量大小。在执行特征拼接的代码行时，出现如下报错：
RuntimeError: Expected 4-dimensional input for 4-dimensional weight [10, 1, 3, 3], but got 3-dimensional input of size [20, 20, 20] instead

我目前有两个待解决的问题：

• 为什么Conv2d要求输入为4维，对应权重形状为[10,1,3,3]？我参考了相关报错说明，但不清楚这些维度的具体含义
• 我的输入是包含100个样本的批量数据，如何处理形状为(20,20,20)的单个样本，将其拆分为20个独立输入分别传给20个CNN分支？

内容的提问来源于stack exchange，提问作者Burger