Python Pytorch验证模型错误：预期输入批次大小（3）与目标批次大小（4）匹配

我正在Pytorch中构建一个NN，该NN应该可以跨102个类进行分类

我有以下验证函数：

def validationmodel、testloader、标准： 测试损耗=0 精度=0 对于输入，testloader中的类： 输入=输入。至“cuda” 输出=模型输入 测试损耗+=标准输出，标签.项目 ps=火炬输出 相等=标签.数据==ps.maxdim=1[1] 精度+=相等.typetorch.FloatTensor.mean 返回测试\u损失、精度 培训呼叫验证代码：

纪元=3 打印间隔=40 步数=0 运行损耗=0 testloader=dataloaders['test'] 换成cuda 模型。到“cuda” 对于rangeepochs中的e： 运行损耗=0 对于ii，枚举数据加载器['train']中的输入和标签： 步数+=1 输入，标签=输入。至“cuda”，标签。至“cuda” 优化程序0\u梯度 向前和向后传球 输出=模型输入 损耗=标准输出、标签 落后 优化步骤 运行损失+=损失项目 如果步骤%print_every==0： 模型评估 带火炬，无梯度： 测试损失，精度=验证模型，测试加载程序，标准 打印时代：{}/{}。甲酸盐+1，时代， 培训损失：{.3f}。格式运行\u丢失/打印\u每， 测试丢失：{：.3f}。formattest\u丢失/lentestloader， 测试精度：{.3f}.formatAccurance/lentestloader 运行损耗=0 模型火车 我收到这个错误消息：

完全回溯：

---

我不明白这个错误是从哪里来的。事实上，没有验证代码，培训部分就可以完美地工作

在验证函数中

def validation(model, testloader, criterion):
    test_loss = 0
    accuracy = 0

    for inputs, classes in testloader:
        inputs = inputs.to('cuda')
        output = model.forward(inputs)
        test_loss += criterion(output, labels).item()

        ps = torch.exp(output)
        equality = (labels.data == ps.max(dim=1)[1])
        accuracy += equality.type(torch.FloatTensor).mean()

    return test_loss, accuracy

---

您在testloader上迭代，并将值传递给变量输入、类，但将标签传递给您的标准。

在验证函数中

def validation(model, testloader, criterion):
    test_loss = 0
    accuracy = 0

    for inputs, classes in testloader:
        inputs = inputs.to('cuda')
        output = model.forward(inputs)
        test_loss += criterion(output, labels).item()

        ps = torch.exp(output)
        equality = (labels.data == ps.max(dim=1)[1])
        accuracy += equality.type(torch.FloatTensor).mean()

    return test_loss, accuracy

您在testloader上进行迭代，并将值传递给变量输入、类，但将标签传递给您的标准

def validation(model, testloader, criterion):
    test_loss = 0
    accuracy = 0

    for inputs, classes in testloader:
        inputs = inputs.to('cuda')
        output = model.forward(inputs)
        test_loss += criterion(output, labels).item()

        ps = torch.exp(output)
        equality = (labels.data == ps.max(dim=1)[1])
        accuracy += equality.type(torch.FloatTensor).mean()

    return test_loss, accuracy