先打印报错张量的shape并对照提示中的dimension Z，重点检查该维是否满足“相等或其一为1”；常见陷阱包括维度对齐歧义、rank不一致及函数输入shape约定不符。
直接看报错末尾的 size()，再比对参与运算的两个张量实际 shape，90% 的问题当场就能定位——别猜、别跳过 print，先让形状“露出来”。
报错末尾的 size() 就是真相
PyTorch 报错从不模糊，比如 RuntimeError: mat1 and mat2 shapes cannot be multiplied (3x4) and (5x6)，括号里就是真实 shape。它不会说“你传错了”，而是明确告诉你：左操作数最后维是 4，右操作数倒数第二维是 5，4 ≠ 5 → 失败。
- 所有矩阵乘法（
@、torch.matmul、nn.Linear）都只检查这一条规则：a.shape[-1] == b.shape[-2] - 广播错误（如
The size of tensor a (X) must match tensor b (Y) at non-singleton dimension Z）则要盯住提示里的dimension Z，然后用print(a.shape)和print(b.shape)对齐看那一维 - 像
torch.cat()或torch.stack()报错时，错误信息常带except in dimension N，说明其他维度必须严格相等，只允许在指定维上不同
print(shape) 前加一行，省掉半小时 debug
别依赖变量名或注释判断 shape，运行时可能早已被 reshape、squeeze、transpose 改过。在报错行前插入两行：
print('x:', x.shape)<br>print('w:', w.shape)<br># 然后才是 x @ w 或 F.linear(x, w)- 对 CNN 输出接全连接层，常见误写
x.view(-1, C*H*W)—— 它会把 batch 维“吃掉”，正确是x.view(x.size(0), -1) - embedding 层输出是
[B, T, D]，LSTM 默认batch_first=False时会变成[T, B, D]，后续接线性层前必须确认维度对齐 - 标量 loss（
shape=torch.Size([])）直接参与运算会出错，要用loss.unsqueeze(0)转成[1]，不能用unsqueeze(1)（空维度无法 unsqueeze）
用 torch.broadcast_shapes() 提前验证广播合法性
PyTorch 2.0+ 提供了 torch.broadcast_shapes(*shapes)，它不执行运算，只返回广播后的目标 shape 或抛出 ValueError。适合在自定义 loss/metric 开头做守门员：
立即学习“Python免费学习笔记（深入）”；
try:<br> out_shape = torch.broadcast_shapes(a.shape, b.shape)<br>except RuntimeError as e:<br> print(f'Broadcast failed between {a.shape} and {b.shape}: {e}')<br> raise- 比等 runtime 报错快得多，尤其适合批量处理多个张量前做预检
- 注意它不处理矩阵乘法规则，只管广播；
matmul类错误仍得靠手动核对[-1]和[-2] - 对
F.interpolate()这类函数，它不适用——那属于输入约定问题，不是广播问题
最常被忽略的是：很多 shape 错误其实发生在数据加载环节（比如 DataLoader 返回的 batch 缺少 batch 维），而不是模型内部。检查 __getitem__ 和 collate_fn 的输出 shape，比反复调模型 forward 更有效。
