这个报错的核心是矩阵乘法维度规则不满足，Linear 层权重 shape 是[in_features, out_features]，要求输入最后一维等于 in_features；这里卷积输出展平后是 [32, 119072]，而 Linear 设置的输入维度是 800，119072≠800，矩阵相乘无法执行，这是 CNN 接全连接层最常见问题：卷积特征图展平后的通道 × 高 × 宽，和 Linear 预设输入维数对不上。很多新手写网络时，卷积堆叠完直接写nn.Linear(800,300)，但没有提前算好卷积最后输出特征图大小，或者忘记 flatten、flatten 位置写错，就会触发这个维度冲突。
一、报错拆解
- mat1：卷积输出，batch=32，展平后特征长度 119072 → shape (32, 119072)
- mat2：Linear 权重，in_features=800，out_features=300 → shape (800, 300)
- 矩阵乘法要求：mat1 最后一维 = mat2 第一维，也就是 119072 == 800，显然不相等
二、三种主流修复方案对比
| 方案 | 适用场景 | 操作要点 |
|---|---|---|
| 方案 1：修改 Linear 输入维度，对齐卷积输出 | 不想加池化、不改动卷积 | 把 nn.Linear(800,300) → nn.Linear(119072,300)；缺点参数量爆炸，容易过拟合、显存爆掉 |
| 方案 2：卷积尾部加全局平均池化 GAP（推荐） | 分类任务，希望固定特征维度 | 卷积最后一层输出 [B, C, H, W]，接nn.AdaptiveAvgPool2d((1,1))，输出变成[B, C, 1,1]，flatten 后长度 = 通道数，可控 |
| 方案 3：增加池化层、调整卷积 stride/padding | 需要自定义特征长度 | 在最后几个卷积加大 stride，或者 MaxPool，缩小 H、W，让 CHW=800，匹配 Linear (800,300) |
三、错误示例代码
import torch
import torch.nn as nn
class Net(nn.Module):
def __init__(self):
super().__init__()
self.conv = nn.Sequential(
nn.Conv2d(3,16,3,1,1),
nn.Conv2d(16,32,3,1,1)
)
self.fc = nn.Linear(800,300) 预设输入800，和卷积输出不匹配
def forward(self, x):
x = self.conv(x)
x = x.flatten(1) 这里得到 [32,119072]
x = self.fc(x)
return x
四、推荐写法（GAP 方案，稳定可控）
class Net(nn.Module):
def __init__(self):
super().__init__()
self.conv = nn.Sequential(
nn.Conv2d(3,16,3,1,1),
nn.Conv2d(16,32,3,1,1)
)
self.gap = nn.AdaptiveAvgPool2d((1,1))
self.fc = nn.Linear(32,300) 通道数32，输入维度固定
def forward(self, x):
x = self.conv(x)
x = self.gap(x)
x = x.flatten(1)
x = self.fc(x)
return x
五、排查步骤清单
- 在 flatten 之前加 print，打印卷积输出 shape：print(x.shape)，确认 [B, C, H, W]
- 计算 C*H*W，这个数值就是 flatten 之后的特征长度，必须和 Linear 第一个参数一致
- 确认 flatten 起始维度：flatten(1) 是保留 batch，从第 1 维开始展平，不要写成 flatten (0)
- 如果图片输入尺寸会变，优先 AdaptiveAvgPool2d，不要硬算 H、W
- 确认卷积 stride、padding、kernel_size，图片分辨率变化也会改变 CHW
【相关 FAQ】
问题 1：报错 mat1 and mat2 shapes cannot be multiplied (32x119072 and 800x300)，为什么卷积接 Linear 会出现这个维度冲突？
回答 1：报错 mat1 and mat2 shapes cannot be multiplied (32x119072 and 800x300)，是卷积输出特征图展平之后总长度 119072，和 Linear 层定义的输入维度 800 不一致，矩阵乘法前后维度不匹配，这是卷积特征接入 Linear 最常见问题。
问题 2：报错 mat1 and mat2 shapes cannot be multiplied (32x119072 and 800x300)，直接把 Linear 改成 nn.Linear (119072,300) 行不行？
回答 2：可以临时消除报错，但不推荐，119072 维的输入会让全连接层参数量巨大，占用大量显存，极易过拟合，适合快速验证，不适合正式训练。
问题 3：报错 mat1 and mat2 shapes cannot be multiplied (32x119072 and 800x300)，AdaptiveAvgPool2d 怎么解决这个问题？
回答 3：报错 mat1 and mat2 shapes cannot be multiplied (32x119072 and 800x300)，在卷积后面加上 AdaptiveAvgPool2d ((1,1))，把 H、W 压缩到 1，flatten 之后特征长度等于通道数，输入维度可控，不受原图分辨率影响。
问题 4：报错 mat1 and mat2 shapes cannot be multiplied (32x119072 and 800x300)，flatten (1) 和 flatten () 有什么区别？
回答 4：报错 mat1 and mat2 shapes cannot be multiplied (32x119072 and 800x300)，flatten (1) 保留 batch 维度，只把后面特征维度展平；flatten () 会把 batch 也一起展平，会带来完全错误的 shape，CNN 接 Linear 必须用 flatten (1)。
【参考资料】
[2026-04-10]（PyTorch matmul shape mismatch CNN Linear）Stack Overflow
[2026-02-15]（nn.AdaptiveAvgPool2d 使用场景）PyTorch 官方文档
[2025-09-20]（CNN 全连接层维度计算方法）知乎 PyTorch 教程
[2026-05-01]（flatten 维度参数说明）PyTorch docs
【免责声明】
本文基于 PyTorch 常规版本调试，卷积输出尺寸受输入图片分辨率、kernel、stride、padding 共同影响，代码示例仅用于定位该报错，需要根据你的输入尺寸、卷积通道自行调整参数。