Neural network pytorch中看似不一致的张量大小

我正在构建一个卷积自动编码器，但是希望编码是线性的，这样我就可以更容易地将它作为输入输入输入到MLP中。我在编码器上有两个卷积层和一个线性内层，以减少尺寸。然后将该编码馈送到相应的解码器中

当我展平第二个卷积层的输出时，根据我的计算（使用标准公式：），应该得到1x100352秩1张量。但是，当我将线性层的输入维度设置为100352时，扁平秩1张量的维度为1x50176。然后是奇怪的部分

我尝试将线性层的输入维度更改为50176，假设我计算错误。当我这样做时，重新整形的秩1张量会令人困惑地变成1x100352，然后前面提到的权重矩阵会像预期的那样变成50176x256

这种修改线性层输入维度的响应对我来说没有意义。这个超参数正确地控制了权重矩阵，但我想我不确定为什么它对线性层的输入有任何影响，因为这只是一个卷积层的重塑张量输出，其超参数与所讨论的超参数无关

如果我遗漏了一些明显的东西，我道歉。我是pytorch的新手，我找不到其他讨论此类问题的帖子

以下是我认为可重复性最低的示例：

导入操作系统
进口火炬
进口火炬视觉
导入torchvision.transforms作为变换
将matplotlib.pyplot作为plt导入
导入torch.autograd作为autograd
导入torch.nn作为nn
导入torch.nn.功能为F
将torch.optim导入为optim
从torchvision导入数据集
从torch.utils.data导入数据加载器
从torchvision.utils导入保存图像
类自动编码器（nn.模块）：
定义初始（自我，**kwargs）：
super（）。\uuuu init\uuuuu（）
#创建网络结构
#自动编码器的编码器部分
self.enc1=nn.Conv2d（in_通道=kwargs[“InputChannel”]、out_通道=kwargs[“channelsEncoderMid”]、内核大小=kwargs[“kernelSize”]）
self.enc2=nn.Conv2d（in_Channel=kwargs[“channelsEncoderMid”]、out_Channel=kwargs[“channelsEncoderInner”]、kernel_size=kwargs[“kernelSize”]）
self.enc3=nn.Linear（in_features=kwargs[“intoLinear”]、out_features=kwargs[“LinearCoded”]）
#自动编码器的解码器部分
self.dec1=nn.Linear（in_features=kwargs[“LinearCoded”]、out_features=kwargs[“intoLinear”]）
self.dec2=nn.ConvTranspose2d（in_通道=kwargs[“channelsEncoderInner”]、out_通道=kwargs[“ChannelsCoderMid”]、内核大小=kwargs[“kernelSize”]）
self.dec3=nn.ConvTranspose2d（in_通道=kwargs[“ChannelsCoderMid”]、out_通道=kwargs[“InputChannel”]、内核大小=kwargs[“kernelSize”]）
def前进（自身，x）：
#编码
x=F.relu（自身附件1（x））
x=F.relu（自身附件2（x））
x=x。重塑（1，-1）
x=x.挤压（）
x=F.relu（自身附件3（x））
#解码
x=F.relu（自dec1（x））
x=x.重塑（[32,4,28,28]）
x=F.relu（自十二月二日（x））
x=F.relu（自dec3（x））
返回x
def ENCODECOCONV（numEpochs=20，输入通道=3，批处理大小=32，
通道编码器内部=4，通道编码器中间=8，进入线性=100352，
线性编码=256，信道解码器=8，内核大小=3，
学习率=1e-3）：
#选择一个设备。如果GPU可用，请使用它。否则，请使用CPU。
device=torch.device（“cuda”如果torch.cuda.is_可用（）否则为“cpu”）
#定义数据转换
transform=transforms.Compose（[transforms.ToTensor（），transforms.Normalize（（0.5,0.5,0.5），（0.5,0.5,0.5）））
#定义训练数据集
trainSet=datasets.CIFAR10（根='./数据'，train=True，download=True，transform=transform）
#定义测试数据集
testSet=datasets.CIFAR10（root='./data'，train=False，download=True，transform=transform）
#定义数据加载器
列车装载机=数据装载机（列车组，批量大小=批量大小，随机播放=真）
testLoader=DataLoader（testSet，batch_size=batchSize，shuffle=True）
#初始化神经网络
模型=convAutoEncoder（输入通道=输入通道，通道SENCoderMid=通道编码器，通道SENCoderInner=通道编码器内部，intoLinear=进入线性，linearEncoded=线性编码，通道SENCoderMid=通道解码器，内核大小=内核大小）
#优化设置
标准=nn.MSELoss（）
optimizer=optim.Adam（model.parameters（），lr=learningRate）
lossTracker=[]
对于范围内的历元（numEpochs）：
损失=0
对于数据，在火车装载机中：
数据=数据到（设备）
optimizer.zero_grad（）
输出=模型（数据）
列车损耗=标准（输出、数据）
列车损失向后（）
optimizer.step（）
损失+=列车损失。项目（）
损失=损失/长度（火车装载机）
打印（{}的{}纪元，列车损失：{:.3f}'。格式（纪元+1，数字，损失））
encodeconv（）

---

Edit2:在CIFAR10数据集中的某个地方，数据似乎改变了维度。在更多地使用打印语句之后，我发现将相关的超参数设置为100352对于许多条目都非常有效，但是似乎会弹出一个大小不同的图像。但不确定为什么会出现这种情况。

请提供一个最小的、可重复的示例。已添加。我真是太傻了，连一个都没有。