这个报错的本质是 BatchNorm 层的 running_mean、running_var 的长度和当前输入通道数不一致，BN 层初始化时绑定了固定通道数，你改动了前面卷积的输出通道，但是没有同步修改对应 BatchNorm 的通道参数，或者加载的旧权重里 BN 的统计量通道和新网络结构对不上。BatchNorm 的 running_mean 长度等于它的 num_features，也就是上一层卷积输出通道；报错提示期望 64 个元素，实际拿到 96 通道特征，说明 BN 定义写的是 64，前面卷积输出通道改成 96 了，通道不匹配，训练或者推理时就触发这个校验。很多人改网络，只调整卷积 in_channels/out_channels，漏掉后面跟着的 BN，或者直接加载旧 checkpoint，新旧通道不一致，就踩这个坑。
一、报错拆解
- running_mean 是 BN 层的滑动均值，长度 = nn.BatchNorm2d(num_features)
- 报错信息：should contain 64 elements not 96
- 含义：这个 BN 初始化时 num_features=64，但是它收到的特征图通道是 96
- 流向：Conv -> BN，Conv 输出通道必须等于 BN 的 num_features
二、不同场景修复方案对比
| 场景 | 处理办法 | 关键点 |
|---|---|---|
| 修改网络结构（推荐） | 卷积输出通道和后接 BN 的 num_features 统一修改 | Conv out=96 → BatchNorm2d(96) |
| 加载旧权重、结构没变 | 加载时 strict=False，或者重新初始化 BN 统计量 | strict=False 会跳过不匹配参数，适合调试 |
| 冻结部分层、只改前端卷积 | 检查整个链路，确认每一段 Conv-BN 通道成对对齐 | 不能只改 Conv 不动 BN |
| 模型结构正确，只是推理时报错 | 确认训练和推理网络结构完全一致，不要 train/eval 分支结构不一样 | 导出、推理脚本要复用同一个 model 定义 |
三、错误示例代码
import torch
import torch.nn as nn
❌ 卷积输出96通道，BN写死64，触发报错
block = nn.Sequential(
nn.Conv2d(3, 96, kernel_size=3, padding=1),
nn.BatchNorm2d(64),
nn.ReLU()
)
四、正确写法示例
import torch
import torch.nn as nn
✅ Conv输出通道和BN num_features保持一致
block = nn.Sequential(
nn.Conv2d(3, 96, kernel_size=3, padding=1),
nn.BatchNorm2d(96),
nn.ReLU()
)
五、完整排查清单
- 顺着数据流从前向后打印每一层输出 shape，定位到通道突变的 Conv-BN 组合
- 所有 Conv2d 的 out_channels，必须等于紧随其后 BatchNorm2d 的 num_features
- 检查是否有分支、残差连接：残差支路的 BN 通道也要和主支路对齐
- 加载 checkpoint 时报错：要么修改网络结构和旧权重一致，要么 model.load_state_dict(ckpt, strict=False)，注意 strict=False 会丢失 BN 统计量
- 不要混用预训练 backbone：预训练权重的 Conv-BN 通道固定，随便改卷积通道会直接冲突
- 区分 BatchNorm1d/BatchNorm2d：图像特征用 BN2d，不要错用 BN1d
【相关 FAQ】
问题 1：running_mean should contain 64 elements not 96，为什么改卷积之后 BatchNorm 就报错？
回答 1：running_mean should contain 64 elements not 96，是 BatchNorm 的滑动均值数组长度绑定初始化时的 num_features，卷积输出通道修改后，传给 BN 的通道数变了，二者通道不匹配，触发校验失败。
问题 2：running_mean should contain 64 elements not 96，能不能直接把 strict=False 加载权重跳过这个报错？
回答 2：可以临时跳过加载报错，但 running_mean、running_var 不会加载，BN 会用随机初始化统计量，模型精度会掉，running_mean should contain 64 elements not 96 的根本解决方式还是对齐 Conv 和 BN 通道。
问题 3：running_mean should contain 64 elements not 96，残差块里面的 BN 也要和卷积通道对齐吗？
回答 3：是的，running_mean should contain 64 elements not 96 这个问题在残差结构高频出现，残差主分支、shortcut 分支的 Conv 输出通道，都要和后面对应的 BatchNorm 通道一一匹配。
问题 4：running_mean should contain 64 elements not 96，BN 的 num_features 指的是输入通道还是输出通道？
回答 4：BatchNorm2d 的 num_features 就是该层接收的输入特征通道数，也就是前面卷积的 out_channels，这是 running_mean should contain 64 elements not 96 这个报错的核心对齐规则。
【参考资料】
[2026-01-12]（PyTorch BatchNorm running_mean shape mismatch）Stack Overflow
[2026-03-20]（nn.BatchNorm2d num_features 说明）PyTorch 官方文档
[2025-10-14]（Conv-BN 通道对齐与残差网络调试）知乎 PyTorch 专栏
[2026-04-08]（load_state_dict strict 参数行为）PyTorch Docs
【免责声明】
本文基于 PyTorch BatchNorm 机制总结，通道匹配需要覆盖整个网络数据流，残差、多分支、ASPP 等复杂结构更容易出现局部通道不一致；strict=False 仅用于调试，正式训练建议结构和权重通道严格对齐。