1. 问题现象与错误本质
当使用torch.full((shape), fill_value)方法时，开发者常会遇到类似以下的错误提示：
RuntimeError: shape '[3, 4]' is invalid for input of size 12
这种形状不匹配错误的根本原因在于：目标形状与填充值的可广播性不兼容。PyTorch要求填充值必须能够广播到目标形状，否则就会抛出运行时异常。
2. 7种典型错误场景分析
2.1 标量填充值与多维形状
这是最常见的正确用法：
# 正确示例 tensor = torch.full((3,4), 2.5) # 创建3x4矩阵并用2.5填充
但当填充值是非标量时容易出错：
# 错误示例 tensor = torch.full((3,4), [1,2,3]) # 触发shape mismatch
2.2 数据类型隐式转换失败
当填充值类型与目标张量类型不兼容时：
# 错误示例 tensor = torch.full((2,2), 'text') # 字符串无法转换为浮点数
2.3 动态形状计算错误
在涉及动态形状计算的场景：
batch_size = inputs.size(0) # 如果inputs为空张量，batch_size=0会导致错误 tensor = torch.full((batch_size, 256), 0)
3. 解决方案与最佳实践
3.1 显式形状验证
添加前置验证逻辑：
def safe_full(shape, fill_value):
if not isinstance(fill_value, (int, float)):
fill_value = torch.tensor(fill_value)
if not fill_value.shape.is_same_size(torch.Size([])):
if not torch.broadcastable(fill_value.shape, shape):
raise ValueError("Shape mismatch between fill_value and target shape")
return torch.full(shape, fill_value)
3.2 使用广播规则
利用PyTorch的广播机制：
# 将填充值转换为可广播形状 fill_tensor = torch.tensor([1,2,3]).view(1,3) tensor = torch.full((4,3), fill_tensor) # 自动广播到4x3
4. 高级调试技巧
使用形状检查装饰器：
def shape_check(expected_shape):
def decorator(func):
def wrapper(*args, **kwargs):
result = func(*args, **kwargs)
if result.shape != torch.Size(expected_shape):
print(f"Shape mismatch: expected {expected_shape}, got {result.shape}")
return result
return wrapper
return decorator
@shape_check((3,4))
def create_tensor():
return torch.full((3,4), 1.0)