PyTorch中用torch.nn.functional.conv2d替换nn.Conv2d报错求助

嘿，我来帮你搞定这个报错！你的问题核心是卷积权重的维度定义错了，另外还有个小细节是PyTorch里已经不用Variable啦。

错误原因分析 #

PyTorch的函数式API F.conv2d 对输入和权重的维度有严格要求：

• 输入张量的形状是 (batch_size, in_channels, height, width)（你的输入[50,1,...]就是批量50、单通道的MNIST图像，这部分没问题）
• 权重张量的形状必须是 (out_channels, in_channels, kernel_height, kernel_width)

而你定义的self.w_conv1 = Variable(torch.randn(1, 32, 5))形状是(1,32,5)，完全不符合要求——原nn.Conv2d(1, 32, 5, padding=2)对应的是：

• in_channels=1，out_channels=32，卷积核大小是5x5

所以正确的权重形状应该是(32, 1, 5, 5)。

另外，PyTorch 0.4版本之后Variable已经被整合进张量体系了，直接创建张量就行，如果需要让权重参与训练，记得加上requires_grad=True（默认创建的张量requires_grad是False，不会被优化器更新）。

修正后的代码示例 #

1. 替换权重定义：

# 原错误代码：self.w_conv1 = Variable(torch.randn(1, 32, 5))
self.w_conv1 = torch.randn(32, 1, 5, 5, requires_grad=True)
# 原nn.Conv2d默认带偏置，所以如果需要保留偏置，还要定义偏置张量
self.b_conv1 = torch.randn(32, requires_grad=True)

2. 修正forward方法：

# 原错误代码：x = F.max_pool2d(F.relu(F.conv2d(x, self.w_conv1, padding=2)),2)
# 加了偏置的话，要把bias参数传入conv2d
x = F.max_pool2d(F.relu(F.conv2d(x, self.w_conv1, bias=self.b_conv1, padding=2)), 2)

额外提醒 #

• 如果你不需要偏置，可以在F.conv2d里设置bias=None，和nn.Conv2d(..., bias=False)对应
• 训练时要确保把self.w_conv1和self.b_conv1加入优化器的参数列表，比如optimizer = torch.optim.SGD([self.w_conv1, self.b_conv1], lr=0.01)

内容的提问来源于stack exchange，提问作者Mihkel L.