运行代码过程中，遇到的一些问题，今天汇总了一些，希望可以帮助大家，解决一些类似的错误问题。
1.报错信息：RuntimeError: mat1 dim 1 must match mat2 dim 0
错误原因：全连接层 前网络结构 的输出 与全连接层的输入层维度不符合，如下列错误所示：
self.fc1 = nn.Linear(124, 121)
self.fc2 = nn.Linear(120, 81)解决方案：print下 全连接层前网络结构 的输出 将其输出与全连接层输入层相对应。
假设forward中要依次执行fc1和fc2，fc1的out_features 等于fc2的in_features就不会有错误，这里都是120不会有错误，修改后，如下所示：
self.fc1 = nn.Linear(124, 120)
self.fc2 = nn.Linear(120, 81)扩展：nn.Linear（）
in_features指的是输入的二维张量的大小，即输入的[batch_size, size]中的size。
out_features指的是输出的二维张量的大小，即输出的二维张量的形状为[batch_size，output_size]，当然，它也代表了该全连接层的神经元个数。
2.报错信息：IndexError: Dimension out of range (expected to be in range of [-2, 1], but got 2)
报错原因：问题出在维度上，因为少了一个维度，输入的是二维的，而人家需要的是三维的。
解决方案：
a.数据进行reshape
data = data.reshape(height, weight, 1)
#从二维增加到三维b.或者使用unsqueeze()函数
data = data.unsqueeze(1)
#在第二维增加一维扩展： unsqueeze()函数是对数据维数进行扩展，squeeze()函数是对数据维数进行压缩，但是两个函数只能对一的维度进行扩展或压缩处理，括号数字为几，就是指定数据data的的第几维数 进行维度为1的处理。
3.报错信息：AttributeError: 'Tensor' object has no attribute 'gpu' 或者TypeError: can't convert cuda:0 device type tensor to numpy. Use Tensor.cpu() to copy the tensor to host memory first.
在使用GPU进行神经网络的训练或者进一步操作时，会遇到AttributeError: 'Tensor' object has no attribute 'gpu' 或者TypeError: can't convert cuda:0 device type tensor to numpy. Use Tensor.cpu() to copy the tensor to host memory first.这样的问题。
报错原因：在我们想把 GPU tensor 转换成 Numpy 变量的时候，需要先将 tensor 转换到 CPU 去，因为 Numpy 是 CPU的only 专属。
解决方案：把报错代码中的所有gpu改为cpu，如下列所示：
改之前：
loss_list.append(loss.data.gpu().numpy())
y_pred = np.argmax(y_pred_prob.data.gpu().numpy(), axis=1)
batch_accu = np.sum(y_pred == y.data.gpu().numpy(), dtype=np.float32) / y_pred.shape[0]改之后：
loss_list.append(loss.data.cpu().numpy())
y_pred = np.argmax(y_pred_prob.data.cpu().numpy(), axis=1)
batch_accu = np.sum(y_pred == y.data.cpu().numpy(), dtype=np.float32) / y_pred.shape[0]3.报错信息：IndexError: scatter_(): Expected dtype int64 for index.
报错原因：
scatter要求数据是int64类型，而我在定义tensor时写的是torch.Tensor(x)，应该写成torch.LongTensor(x)，指定为int64类型。
解决方案：找到原数据的定义方式，一般在dtype=np.int64；dtype=np.float32中（多数定义函数都有dtype属性最好int和float的位数要一致torch.from_numpy（）产生的tensor类型为int32，因此需要用data = torch.tensor(data,dtype = torch.int64)进行数据类型的转换
data = torch.tensor(data,dtype = torch.int64)4.报错信息：TypeError: expected np.ndarray (got int)
解决方案：出现此错误时将torch.from_numpy()改为torch.Tensor()即可
5.报错信息：RuntimeError: Expected object of scalar type Long but got scalar type Float for argument #2 'target'
报错原因：是关于label的错误。修改办法总结一下：
1、RuntimeError: Expected object of scalar type Long but got scalar type Float for argument #2 'target'，在这个报错中，标红的地方是关键，找到程序中的label，比如说在loss处，如下所示：
解决方案：改变下标签的数据类型
修改前：
Loss = torch.nn.CrossEntropyLoss()
loss = Loss(out, label)修改后：
Loss = torch.nn.CrossEntropyLoss()
loss = Loss(out, label.long())补充：多次报这个错误后发现，它说是什么类型，直接在label后面加上对应的类型即可。
6.报错信息：AttributeError: 'xx' object has no attribute xx
报错原因：报错所在的地方可能多空了一格。
解决方案：按“TAB"+"SHIFT" 删除空格。
修改前：
class MyLed(QAbstractButton):
def __init__(self, parent=None):
super(MyLed, self).__init__(parent)
self.initUI()
def initUI(self):
self.setMinimumSize(24, 24)
self.setCheckable(True)
self.scaledSize = 1000.0 #为方便计算，将窗口短边值映射为1000
self.setLedDefaultOption()
def setLedDefaultOption(self):
for attr, val in zip(allAttributes, allDefaultVal):
setattr(self, attr, val)
self.update()修改后：
class MyLed(QAbstractButton):
def __init__(self, parent=None):
super(MyLed, self).__init__(parent)
self.initUI()
def initUI(self):
self.setMinimumSize(24, 24)
self.setCheckable(True)
self.scaledSize = 1000.0 #为方便计算，将窗口短边值映射为1000
self.setLedDefaultOption()
def setLedDefaultOption(self):
for attr, val in zip(allAttributes, allDefaultVal):
setattr(self, attr, val)
self.update()文章出处登录后可见！
