要用linear层实现标签分类，必须先将输入数据展平为二维张量[batch, features]；若卷积输出为[32, 64, 8, 8]，需用nn.flatten()或x.reshape(x.size(0), -1)转为[32, 4096]；linear输入尺寸须匹配展平后特征数（如512×4×4=8192），输出尺寸等于类别数（如10）；标签须为torch.long型且从0开始连续编号。
要用Linear层实现标签分类，必须先让输入数据变成一维向量，否则Linear层无法接收多维特征图作为输入；直接把卷积输出喂给Linear会报错。
确认输入张量形状是否符合Linear要求
检查你当前的特征张量形状，比如用print(x.shape)输出。如果结果类似torch.Size([32, 64, 8, 8])，说明是四维：[batch, channel, height, width]。Linear层只接受二维输入：[batch, features]。
这一步不能跳过——强行传入四维张量会触发RuntimeError: mat1 and mat2 shapes cannot be multiplied。
用Flatten层把特征图压成一维
方法一：在模型定义中插入nn.Flatten()（推荐）
在PyTorch中，直接在卷积层后加nn.Flatten()，它会自动保留batch维度，把后面所有维度相乘。例如输入[32, 64, 8, 8] → 输出[32, 4096]。
方法二：手动reshape
用x = x.view(x.size(0), -1)或x = x.reshape(x.size(0), -1)，效果相同。但【必须确保batch size在第0维】，否则-1推导会出错。
配置Linear层匹配压平后的特征数
第一步：计算Flatten后总特征数
拿CIFAR-10为例，若卷积最后输出是[batch, 512, 4, 4]，则每个样本特征数为512 × 4 × 4 = 8192，Linear层输入尺寸就得设为8192。
第二步：设定输出类别数
标签有多少个独立类别，Linear层输出尺寸就设多少。比如10分类任务，nn.Linear(8192, 10)。
第三步：验证参数矩阵W形状
Linear层内部权重W是[10, 8192]，即每类一个长度为8192的权重向量。这个W就是线性分类器的核心——它把每个像素/特征的贡献加权求和，生成该类得分。
训练时用标签索引匹配Loss函数
准备真实标签时，确保是dtype=torch.long的一维张量，内容为0～K−1的整数，比如tensor([3, 0, 7, 2])。
使用CrossEntropyLoss时，它内部会自动对Linear输出做Softmax+log+NLL，所以Linear层**不要**额外加Softmax。
【标签值必须从0开始连续编号】，若你的原始标签是[1, 5, 9, 12]，必须先映射为[0, 1, 2, 3]，否则loss计算会越界报错。
