该错误本质是张量维度不满足矩阵乘法规则：A @ B 要求 A.shape[-1] == B.shape[-2]，常见于忽略 batch 维度、误用 view() 或 embedding 与 LSTM 的 batch_first 不一致。
为什么 RuntimeError: The size of tensor a (X) must match tensor b (Y) at non-singleton dimension Z 总在矩阵乘法时出现？
这错误本质是 PyTorch 在执行 torch.matmul、@ 运算符或 nn.Linear 前，发现两个张量的对应维度不兼容。不是“形状完全一样”才对，而是要满足矩阵乘法规则：A @ B 要求 A.shape[-1] == B.shape[-2]。常见诱因是忘了 batch 维度或误用 view() 把 2D 当成 1D 处理。
实操建议：
- 用
print(tensor.shape)在报错行前检查每个输入张量的实际 shape，别依赖变量名猜测 - 如果用
nn.Linear(in_features=128, out_features=64)，输入必须是(N, 128)或(N, C, 128)（后者会自动广播），但绝不能是(N, 128, 1)—— 那得先.squeeze(-1) - 对 CNN 输出接全连接层时，常用
x = x.view(x.size(0), -1)拉平，但若x是(B, C, H, W)，view(B, -1)才正确；写成view(-1, C*H*W)会破坏 batch 维度，导致后续 loss 计算出错
如何安全地调试 torch.cat() 和 torch.stack() 的维度错位？
torch.cat() 拼接时要求除指定 dim 外其余维度严格一致；torch.stack() 则要求所有输入 shape 完全相同，并在新维度上堆叠。二者混淆是高频翻车点。
实操建议：
- 拼接一批 shape 为
(32, 10)的 logits 用于多任务？用torch.cat(logits_list, dim=0)得到(32*N, 10)；若误用stack，会得到(N, 32, 10)，后续传给nn.CrossEntropyLoss()就直接报错 - 检查是否混用了
unsqueeze(0)和unsqueeze(1)：比如想把标量loss（shape()）转成 batch 维度，应写loss.unsqueeze(0)（→(1,)），而非loss.unsqueeze(1)（报错：cannot unsqueeze on empty dimension） - 用
torch.broadcast_shapes(*shapes)（PyTorch 2.0+）预判广播是否合法，比等 runtime 报错更早发现问题
nn.Embedding 输出后为什么总和 nn.LSTM 输入 shape 对不上？
nn.Embedding(vocab_size, embed_dim) 输出 shape 是 (seq_len, batch, embed_dim)（默认 batch_first=False），而很多教程里 LSTM 示例用的是 batch_first=True，这就埋了坑。
实操建议：
- 统一配置：要么初始化 LSTM 时设
batch_first=True，然后 embedding 后做x = x.transpose(0, 1)；要么 LSTM 保持默认，embedding 后不做 transpose，但后续所有操作（如nn.Linear）都要按(seq_len, batch, ...)设计 - 别依赖文档里的“通常”——查你正在用的 PyTorch 版本源码或运行
help(torch.nn.LSTM)看batch_first默认值，1.12 之后仍是False - 用
permute()替代链式transpose()更清晰：比如从(B, S, E)→(S, B, E)，写x.permute(1, 0, 2)比x.transpose(0,1)不易出错
自定义 Dataset 中 __getitem__ 返回的张量 shape 不一致，怎么快速定位？
训练中突然某 batch 报错，大概率是数据加载时个别样本 shape 异常（如图像被读成灰度但其他是 RGB，或文本截断逻辑漏了 pad_sequence）。这类问题不会在 __init__ 报错，只在 dataloader collate 阶段暴露。
实操建议：
- 在
__getitem__结尾加临时断言：assert img_tensor.shape == (3, 224, 224), f"Wrong shape: {img_tensor.shape}" - 用
torch.utils.data.get_worker_info()区分单进程/多进程加载，避免日志混乱；多进程下 print 可能不显示，改用logging.info() - collate_fn 中不要盲目调
torch.stack()，先检查len(batch)和各元素tensor.shape是否一致；不一致就用torch.nn.utils.rnn.pad_sequence()（序列）或torch.stack([x[0] for x in batch])+ 单独处理 label
最麻烦的不是报错本身，而是有些 shape 错误在小 batch size 下不触发（比如 padding 刚好对齐），换大 batch 或开多卡才暴露。每次改 shape 相关代码，最好用 torch.randn 造几个极端尺寸的 fake tensor 跑通整个 forward-pass 链路。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
