ShapeMismatch expected [4, 3] found [3, 4]
主线位置：训练主线的入口之外。权重从 PyTorch 那边来，要先经 burn-store 套进
#[derive(Module)]的参数里，模型才能进 forward。加载机制见存储与加载。
flowchart TB file["PyTorch 权重 out x in"] --> store["SafetensorsStore"] store -->|无适配器| check["形状对比 lazy_shape"] check --> err["ShapeMismatch"] store -->|PyTorchToBurnAdapter| tr["按模块类型转置"] tr --> ok["in x out 套进 Linear"]
实验 crate pc-store（从 train-store 复制），burn 0.22.1，Device::flex()，debug 构建。平台 M2 Max、macOS 27、rustc 1.99.0。
现象
模型是两层 Linear：fc = LinearConfig::new(4, 3)、head = LinearConfig::new(3, 2).with_bias(false)。用 safetensors crate（0.8.0）按 PyTorch 的习惯写一个文件，fc.weight 是 [3, 4]、head.weight 是 [2, 3]，数据是 0..12，然后直接读：
let mut model = Net::new(device);
let mut st = SafetensorsStore::from_file("out/torch_like.safetensors");
match model.load_from(&mut st) {
Ok(r) => println!("no adapter: Ok\n{r}"),
Err(e) => println!("no adapter: Err\n{e}"),
}
wrote out/torch_like.safetensors (340 bytes)
no adapter: Err
Validation failed: Import errors: [ShapeMismatch { path: "fc.weight", expected: Shape { dims: [4, 3] }, found: Shape { dims: [3, 4] } }, ShapeMismatch { path: "head.weight", expected: Shape { dims: [3, 2] }, found: Shape { dims: [2, 3] } }]
两个权重都差一个转置，fc.bias 是一维的，对上了。方阵的 Linear 不会报这个错，会静悄悄地读进一个转置了的权重。square 模式：LinearConfig::new(4, 4)，文件里按 PyTorch 布局写 [4, 4] 的 0..16，用 [1, 0, 0, 0] 做一次 forward，PyTorch 算出来应当是 W 的第 0 列：
no adapter: ok = true
forward([1,0,0,0]) = [0.0, 1.0, 2.0, 3.0] (PyTorch: W @ x = column 0 of W = [0, 4, 8, 12])
with adapter: forward([1,0,0,0]) = [0.0, 4.0, 8.0, 12.0]
不加适配器，加载成功，结果是第 0 行。
出处
两边约定不同。burn 的 Linear 算 O = IW + b，weight 的文档写着「Matrix of shape [d_input, d_output]」；PyTorch 的 nn.Linear 算 x @ W.T + b，weight 是 [out_features, in_features]。
报错在 burn-store 的 Applier 里：它遍历模块，每个参数先取 Param::lazy_shape（不触发懒初始化的形状），读出文件里的数据之后逐个比较：
// Validate shape
if *data.shape() != target_shape {
self.errors.push(ApplyError::ShapeMismatch {
path: path.clone(),
expected: target_shape,
found: data.shape().clone(),
});
return None; // Signal caller to fall back to initialization
}
错误先攒着，全部遍历完一起报，所以一次能看到所有对不上的参数。burn-store 不按名字猜「这是一个要转置的权重」，转不转由适配器决定，见存储与加载里 safetensors 和 Adapter 一节。
修法
给 store 挂上 PyTorchToBurnAdapter：
let mut st =
SafetensorsStore::from_file("out/torch_like.safetensors").with_from_adapter(PyTorchToBurnAdapter);
match model.load_from(&mut st) {
Ok(r) => println!("PyTorchToBurnAdapter: Ok\n{r}"),
Err(e) => println!("PyTorchToBurnAdapter: Err\n{e}"),
}
println!("fc.weight dims {:?}", model.fc.weight.val().dims());
println!("fc.weight {:?}", vals(model.fc.weight.val()));
PyTorchToBurnAdapter: Ok
┌─ Tensor Loading Summary ─────────────────────────
│
│ ✓ Successfully applied: 3 tensors
│ ⊘ Skipped (filtered): 0 tensors
│ ✗ Missing in source: 0 tensors
│ ? Unused in target: 0 tensors
│ ! Errors: 0 errors
│
└───────────────────────────────────────────────────
fc.weight dims [4, 3]
fc.weight [0.0, 4.0, 8.0, 1.0, 5.0, 9.0, 2.0, 6.0, 10.0, 3.0, 7.0, 11.0]
第一行 0, 4, 8 是原来 [3, 4] 的第一列。适配器看的是模块类型（参数属于 Struct:Linear），只转置 Linear 的 weight，顺带把归一化层的 weight / bias 改名为 gamma / beta。
读 .pt 文件的 PytorchStore 不用自己挂：它的 apply_to 总是用 PyTorchToBurnAdapter。读 pytorch-reader 测试数据里的 full_model.pt（fc = nn.Linear(4, 3)），和原始数据对一下：
fc.weight: F32 Shape { dims: [3, 4] }
...
burn fc.weight dims [4, 3]
raw [3,4] row 0: [-0.00374341, 0.2682218, -0.41152257, -0.3679695]
burn [4,3] col 0: [-0.00374341, 0.2682218, -0.41152257, -0.3679695]
burn == transpose(raw): true
LinearLayout::Col 的 Linear：另一个坑
LinearConfig::with_layout(LinearLayout::Col) 让 Linear 换一种存法：初始化时生成 [d_output, d_input]，靠 Param 上的 init_mapper 转置成内存里的 [d_input, d_output]，save_mapper / load_mapper 在存取时各转置一次（LinearConfig::init 的 LinearLayout::Col 分支）。问题出在 lazy_shape：参数还没被读过时，它返回的是初始化值的形状 [out, in]；读过一次（物化）之后返回内存里的 [in, out]。同一个文件，结果取决于参数有没有被碰过（col2 模式，fc 换成 Col，读 full_model.pt 和自己存的 burnpack）：
a) lazy Col + PytorchStore: Err
Validation failed: Import errors:
┌─ Tensor Loading Summary ─────────────────────────
...
├─ Errors
│
│ ⚠️ Shape mismatch for 'fc.weight': expected Shape { dims: [3, 4] }, found Shape { dims: [4, 3] }
│
└───────────────────────────────────────────────────
b) lazy target: Ok, dims [4, 3]
c) materialized target: Record validation error: Apply errors: ["fc.weight: shape mismatch, expected Shape { dims: [4, 3] } but record has Shape { dims: [3, 4] }"]
更糟的是「已物化 + PytorchStore」（col 模式，加载前先 val() 看了一眼形状）：校验按 [4, 3] 通过，load_mapper 再转置一次，加载报告「Successfully applied: 3 tensors」，形状却成了 [3, 4]，直到 forward 才 panic：
Col fc.weight dims before [4, 3]
Ok
┌─ Tensor Loading Summary ─────────────────────────
│
│ ✓ Successfully applied: 3 tensors
...
Col fc.weight dims after [3, 4]
thread 'main' (3406440) panicked at ~/.cargo/registry/src/index.crates.io-1949cf8c6b5b557f/burn-nn-0.22.1/src/modules/linear.rs:136:35:
assert_shape!(input, [.., d_input]): axis 1 expected 3, got 4 (dims [1, 4])
这是 burn 0.22.1 的上游问题（本页在 0.22.1 上复现）：lazy_shape 在有 init_mapper 的参数上，物化前后给出的形状不一致，而校验和 load_mapper 对「文件里是哪种形状」的假设不一样。在它修好之前，从 PyTorch 导入的模型用默认的 LinearLayout::Row。
怎么确认没中招
- 打印
load_from返回的ApplyResult（它实现了Display，就是上面的方框），看Errors是 0、Unused in target和Missing in source是不是预期的数。 - 方阵权重不会报错。挑一个
Linear，把 burn 里的weight转置后和文件里的原始数据逐元素比（上面burn == transpose(raw)的做法）。 - 加载之后马上用一个假输入跑一次 forward，形状问题当场暴露，不要等到训练里。
- 用了
LinearLayout::Col的，加载之后再打印一次weight.val().dims()。
小结
- burn 的
Linear.weight是[in, out]，PyTorch 是[out, in]；burn-store 只比形状，不猜转置。 - safetensors / burnpack store 要
.with_from_adapter(PyTorchToBurnAdapter)；PytorchStore自带这个适配器。 - 方阵不报错但会读反，用数值比对确认。
- 0.22.1 里
Col布局的Linear加载结果取决于参数是否已物化，可能加载成功而 forward panic；导入的模型用Row。