一、解决方案

1. dataloader设置参数 drop_last=True¹ 丢弃掉最后单独的样本
2. 在训练前用num_of_samples % batch_size 算一下会不会正好剩下一个样本²
3. 如果模型只inference，无需更新参数可以设置model.eval()
4. 修改源码，注释掉相关判断的源码³ (自己心理得有数)

我遇到的问题比较奇怪，使用BatchNorm1d报错，但是BatchNorm2d就正常…

二、问题分析

ValueError: Expected more than 1 value per channel when training, got input size torch.Size xxx

如果输入的batch size = 1就抛出ValueError，那我的BatchNorm2d是如何正常运行的?.. 继续调试：

明明输入的batch_size=1，突然变成500了
擦。。输入的是：torch.Size([1, 128, 500, 1]) 经过上一行标黄处代码，size_prods变了
如果输入torch.Size([1, 512])，size_prod不会改变

• 为什么使用BatchNorm1d报错，但是BatchNorm2d就正常... 原来是我应用它俩的场景不一样

三、深入分析，修改源码

BN详解⁴:Batch Normalization 学习笔记
需要明确，输入的batch_size=1 或者较小的话确实会影响BN参数的更新，以至于可能影响模型最后的效果

由于个人原因，需要batch_size=1时候的实验数据，故此记录

将相关代码注释，保留源函数 加个pass空操作 - 插眼