深度学习中，Debug 是定位并解决代码逻辑错误（如张量维度不匹配）、训练异常（如 Loss 波动）、数据问题（如标签错误）的关键手段，通过打印维度、可视化梯度等方法确保模型正常运行、优化性能，贯穿开发全流程。
直接上实例以经典错误shape报错为例：
import torch
import torch.nn as nn
import torch.nn.functional as F
# 模拟图像数据
x = torch.randn(8, 3, 64, 64) # [B, C, H, W]，batch size = 8
# 模拟标签（分类任务）
labels = torch.randint(0, 5, (8,)) # 5 类问题，标签是 [8]
# 模型定义
class BuggyNet(nn.Module):
def __init__(self):
super().__init__()
self.conv1 = nn.Conv2d(3, 16, kernel_size=3, padding=1)
self.conv2 = nn.Conv2d(16, 32, kernel_size=3, padding=1)
self.pool = nn.AdaptiveAvgPool2d((4, 4)) # 变成 [B, 32, 4, 4]
self.linear = nn.Linear(32, 5) # ❌ 故意设置错误 in_features
def forward(self, x):
x = F.relu(self.conv1(x)) # [B, 16, 64, 64]
x = F.relu(self.conv2(x)) # [B, 32, 64, 64]
x = self.pool(x) # [B, 32, 4, 4]
x = self.linear(x) # ❌ 错误！ x 是 4D，Linear 接受 2D 或 3D
return x
model = BuggyNet()
criterion = nn.CrossEntropyLoss()
# 前向传播
outputs = model(x) # 会报错
loss = criterion(outputs, labels) # 不会执行到这里
首先设置断点：
然后进行debug右击：
然后会出现控制台：
会出现变量和变量的信息（shape，值）：
然后我们进行单步：
然后变量开始变化，当单步到24行时：
此刻x的shape是（8，32，4，4）但是在这个linear层
self.linear = nn.Linear(32, 5) # ❌ 故意设置错误 in_features
期望输入是32，不仅维度不相同channel也不相同，所以继续单步会报错：
RuntimeError: mat1 and mat2 shapes cannot be multiplied (1024x4 and 32x5)
然后我们根据错误进行操作将x展平并且修改linear的输入：
x = x.view(x.size(0), -1) # [8, 32*4*4] = [8, 512]
self.linear = nn.Linear(512, 5) # ✅ 修复后的定义
import torch
import torch.nn as nn
import torch.nn.functional as F
# 模拟图像数据
x = torch.randn(8, 3, 64, 64) # [B, C, H, W]，batch size = 8
# 模拟标签（分类任务）
labels = torch.randint(0, 5, (8,)) # 5 类问题，标签是 [8]
# 模型定义
class BuggyNet(nn.Module):
def __init__(self):
super().__init__()
self.conv1 = nn.Conv2d(3, 16, kernel_size=3, padding=1)
self.conv2 = nn.Conv2d(16, 32, kernel_size=3, padding=1)
self.pool = nn.AdaptiveAvgPool2d((4, 4)) # 变成 [B, 32, 4, 4]
self.linear = nn.Linear(512, 5) # 此处修改
def forward(self, x):
x = F.relu(self.conv1(x)) # [B, 16, 64, 64]
x = F.relu(self.conv2(x)) # [B, 32, 64, 64]
x = self.pool(x) # [B, 32, 4, 4]
x = x.view(x.size(0), -1) # 此处修改
x = self.linear(x)
return x
model = BuggyNet()
criterion = nn.CrossEntropyLoss()
# 前向传播
outputs = model(x)
loss = criterion(outputs, labels) 然后我们这样就不会报错了。
很多时候缝合模块时就是经常遇见shape问题，耐性一点关注输入输出shape这样就可以轻松解决问题。
