PyTorch线性回归数据格式化报错解决：维度不匹配与张量问题

先直接点出你遇到的两个核心问题：输入张量形状错误导致的尺寸不匹配，以及张量数据类型不统一引发的类型错误。我会一步步帮你修正代码，同时解释PyTorch处理输入的逻辑。

一、先解决最紧急的尺寸不匹配错误 #

你看到的RuntimeError: size mismatch, m1: [1 x 700], m2: [1 x 1]，本质是输入张量的形状和线性层的预期完全不匹配：

• nn.Linear(inp_sz=1, out_sz=1) 期望的输入形状是 (样本数, 特征数)，也就是700个样本每个对应1个特征，所以输入应该是[700, 1]
• 但你用x_train.view(1,-1)把张量改成了[1,700]，相当于告诉模型"我有1个样本，这个样本有700个特征"，和线性层的inp_sz=1矛盾，自然会报错。

修正步骤： #

当你从Pandas的Series转成PyTorch Tensor时，默认是一维张量（比如[700]），需要把它重塑成二维的[700, 1]，用view(-1, 1)即可（-1表示自动计算该维度的大小）：

# 修正x_train和y_train的形状，同时用.values避免Pandas索引干扰
x_train = torch.Tensor(train['x'].values).view(-1, 1)
y_train = torch.Tensor(train['y'].values).view(-1, 1)
x_test = torch.Tensor(test['x'].values).view(-1, 1)
y_test = torch.Tensor(test['y'].values).view(-1, 1)

二、解决张量类型不匹配问题 #

你提到的Expected object of type Variable[torch.DoubleTensor] but found type Variable[torch.FloatTensor]，是因为PyTorch的模型参数默认是FloatTensor，但如果你的数据是DoubleTensor（Pandas读取的浮点数据默认是64位），就会出现类型不兼容。

两种统一类型的方法： #

1. 统一用FloatTensor（推荐，PyTorch默认）：
   显式指定数据类型为torch.float32：

   x_train = torch.tensor(train['x'].values, dtype=torch.float32).view(-1, 1)
   y_train = torch.tensor(train['y'].values, dtype=torch.float32).view(-1, 1)
   

2. 统一用DoubleTensor：
   如果坚持用64位浮点，需要把模型也转成Double类型：

   model = Linear_Reg(input_sz, output_sz).double()
   x_train = torch.tensor(train['x'].values, dtype=torch.float64).view(-1, 1)
   y_train = torch.tensor(train['y'].values, dtype=torch.float64).view(-1, 1)
   

三、PyTorch是如何遍历输入数据的？ #

PyTorch的模型默认支持批量输入：

• 当你把形状为[N, inp_sz]的张量喂给模型时，模型会自动对每个样本（每一行）进行计算，输出形状为[N, out_sz]的结果。
• 你当前的代码是把整个700个样本作为一个批次喂给模型，这在小数据集上没问题；如果是大数据集，通常会用torch.utils.data.DataLoader来分批次加载数据，它会自动帮你处理批量的形状和遍历逻辑。

四、修正后的完整代码 #

import torch
import torch.nn as nn
import pandas as pd

class Linear_Reg(nn.Module):
    def __init__(self, inp_sz, out_sz):
        super(Linear_Reg, self).__init__()
        self.linear = nn.Linear(inp_sz, out_sz)
    def forward(self, x):
        out = self.linear(x)
        return out

# 读取数据
train = pd.read_csv('C:\\Users\\hgstr\\Jupyter_Files\\Data_Sets\\linear_regression\\train.csv')
test = pd.read_csv('C:\\Users\\hgstr\\Jupyter_Files\\Data_Sets\\linear_regression\\test.csv')

# 修正张量形状和类型
x_train = torch.tensor(train['x'].values, dtype=torch.float32).view(-1, 1)
y_train = torch.tensor(train['y'].values, dtype=torch.float32).view(-1, 1)
x_test = torch.tensor(test['x'].values, dtype=torch.float32).view(-1, 1)
y_test = torch.tensor(test['y'].values, dtype=torch.float32).view(-1, 1)

# 模型参数
input_sz = 1; output_sz = 1
epochs = 60
learning_rate = 0.001

model = Linear_Reg(input_sz, output_sz)
crit = nn.MSELoss()
opt = torch.optim.SGD(model.parameters(), learning_rate)

# 训练循环
for e in range(epochs):
    opt.zero_grad()
    out = model(x_train)
    loss = crit(out, y_train)
    loss.backward()
    opt.step()
    # PyTorch 0.4+用loss.item()替代loss.data[0]更规范
    print(f'epoch {e}, loss {loss.item()}')

额外小提示 #

• 如果你用的是PyTorch 0.4及以上版本，Variable已经被整合进Tensor了，不需要再导入from torch.autograd import Variable。
• 学习率0.001对于线性回归来说可能偏慢，你可以尝试调到0.01或者0.1，加快收敛速度。

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