PyTorch维度错误需分场景定位：matmul要求A.shape[-1]==B.shape[-2]，cross_entropy要求target形状匹配input的类别逻辑，cat与stack语义不同易致维数错乱，Dataset须断言shape一致性以防collate失败。
PyTorch中RuntimeError: mat1 and mat2 shapes cannot be multiplied怎么快速定位？
这不是矩阵乘法本身写错了，而是输入张量的最后两个维度不满足 matmul 要求：即 A @ B 要求 A.shape[-1] == B.shape[-2]。常见于 nn.Linear、torch.bmm 或手写 @ 时。
实操建议：
- 在报错行前加
print(f"A: {A.shape}, B: {B.shape}")，尤其注意 batch 维是否被意外 squeeze 或 unsqueeze - 用
torch._assert主动校验：比如torch._assert(x.dim() == 3, f"x must be 3D, got {x.dim()}") - 如果用了
view(-1, N)，检查原始 shape 是否含 0（如空 batch），此时-1会推导出 0，后续 matmul 直接崩
为什么torch.nn.functional.cross_entropy总报Target size must be the same as input size？
这个错误其实和“大小相同”无关，而是指 target 的 shape 必须匹配 input 的 class 维逻辑：input 是 (N, C)，target 就必须是 (N)（每个样本一个整数类标）；若 input 是 (N, C, H, W)，target 就得是 (N, H, W)（逐像素分类）。
容易踩的坑：
立即学习“Python免费学习笔记（深入）”；
Claw Code Suite (Python-Only Edition)
下载
仅使用 Python 将 Claw Code 虚拟化框架与 OpenClaw 集成，提供 184 种工具和 200 多条命令，用于安全分析和代码质量...
- 模型输出忘记
.squeeze(1)（比如 seg head 输出(B, 1, H, W)，但 target 是(B, H, W)，需先去通道维） - target 用了
torch.argmax(..., dim=1)后又没 .long()，导致 dtype 是 float，触发隐式广播失败 - 用了
nn.CrossEntropyLoss(reduction='none')后直接拿结果做 loss.backward()，但 output 是(N,)，而某些自定义逻辑误当成了(N, C)
torch.cat 和 torch.stack 混用导致维度错乱怎么办？
两者语义完全不同：torch.cat 在现有维度拼接（不新增维），torch.stack 在新维度堆叠（增一维）。混淆会导致 shape 突然多/少一维，下游算子立刻报错。
典型场景与修复：
- 想把多个
(3, 224, 224)图片拼成 batch：torch.stack([img1, img2], dim=0)→(2, 3, 224, 224)；若误用cat且dim=0，结果是(6, 224, 224)，送进nn.Conv2d就崩 - 拼接不同 batch size 的 tensor（如
(4, 512)和(3, 512)）：只能用cat（同维可拼），stack会直接 raise RuntimeError - 调试时用
tensor.size()替代tensor.shape——前者返回torch.Size对象，打印更清晰，不易漏看括号里的逗号
自定义 Dataset 返回的张量 shape 不一致引发的隐性错误
最麻烦的不是立刻报错，而是训练几轮后才在某个 batch 崩，因为 DataLoader 默认 collate_fn 会尝试 stack 所有样本，一旦某张图 resize 失败或 mask 缺失，shape 就对不上。
必须做的检查：
- 在
__getitem__结尾加断言：assert image.ndim == 3 and image.shape[0] == 3，避免灰度图混入 - 对 mask 做
mask = mask.squeeze().long()再返回，防止(1, H, W)或(H, W, 1)这类非标准 shape 流入 loss - 用
DataLoader(..., drop_last=True)临时规避最后一个不完整 batch，但治标不治本；根因还是 collate 阶段要主动处理异构数据（比如 padding 或 filter）
维度错误真正难缠的地方不在报错信息本身，而在它常常掩盖了上游数据预处理或模型结构中的静默逻辑错误——比如一个 permute(0, 2, 3, 1) 忘了还原，后面所有 shape 都偏移，但直到某个特定算子才暴露。
