用PyTorch训练时报错shape不匹配，但自查逻辑没问题，大佬们帮看看？

你这个报错信息里其实已经写得很清楚了，checkpoint里存的是[32,128]，但模型加载时想要的是[64,128]，所以问题大概率不是模型定义，而是你保存权重时用的batch size是32，加载时却用了64。我也经常踩这种坑，建议你在保存模型时别直接用state_dict，而是把整个模型结构一起存下来，或者检查一下是不是哪里不小心改了fc层的输入维度。另外可以打印一下模型每一层的shape对比下，十有八九是前面卷积或者pool的输出尺寸算错了，导致fc输入不是128而是64。

看这个报错信息，感觉问题可能不在模型定义上，而是出在加载checkpoint的方式上。你是不是用了什么预训练权重或者保存过多次模型？报错里说fc2.weight期望是[64,128]但checkpoint里是[32,128]，这明显是checkpoint里的参数和你当前模型的结构对不上，可能你保存模型的时候batch size是32，但加载时模型里fc2的输入维度被改成了64？建议直接打印一下你加载的state_dict里每个key的shape，和你当前模型的一一比对，多半能找到是哪一层定义错了。另外如果用的是官方预训练权重，记得看下他们用的输入尺寸是不是和你一样是64x64，说不定人家默认是224x224。

这报错摆明是checkpoint和模型结构对不上，你是不是保存权重前改过网络，或者加载时没建对模型？

这报错信息其实已经说得挺清楚了，checkpoint里存的fc2权重是[32,128]，但你模型现在加载时期望的是[64,128]。也就是说要么你保存权重时的模型结构和现在不完全一样，要么中间改过fc层的输入维度，比如pool之后没展平直接接了fc，导致实际输入是64而不是你手算的128。建议你在加载checkpoint前先print一下当前模型的fc2.weight.shape，再对比一下保存时的状态字典，大概率能找到差异。我之前也踩过类似的坑，多半是模型定义里某个卷积层的padding或stride改了一下，后面全连接输入维度就全变了。

可能是之前保存的模型结构和现在定义的不一致，建议打印下当前模型的fc层尺寸和checkpoint里的对比下。