Neural network ValueError:目标大小（火炬大小（[1000]）必须与输入大小（火炬大小（[1000,1]）相同

我正在尝试用pyTorch训练我的第一个神经网络（我不是程序员，只是一个困惑的化学家）

网络本身应该接受1064个元素向量，并用浮点数对它们进行评级

到目前为止，我遇到了各种各样的错误，从“float代替long”到“Target 1超出范围”。因此，我重新定义了数据类型，修正了输入向量的维数，改变了损失函数，现在我陷入了这样的境地：修正当前错误使我回到以前的错误

即：

ValueError: Target size (torch.Size([1000])) must be the same as input size (torch.Size([1000, 1]))

在

'loss=loss_calc（输出，目标）

行

在数据集类定义期间，我尝试取消对标签的查询，但此解决方案使我倒退。当我尝试

label=label.view（1,1）

时，结果错误更改为

目标尺寸（火炬尺寸（[1000,1,1]）必须与输入尺寸（火炬尺寸（[1000,1]）相同

有人能帮我弄清楚吗

import pandas as pd
import numpy as np
import rdkit
from rdkit import Chem
from rdkit.Chem import AllChem
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torch.utils.data import Dataset, DataLoader

class dataset(Dataset):
    def __init__(self, path, transform=None):
        self.data = pd.read_excel(path)
        self.transform = transform
        
    def __len__(self):
        return len(self.data)
    
    def __getitem__(self, index):
        smiles=self.data.at[index, 'smiles']
        mol=Chem.MolFromSmiles(smiles)
        morgan = torch.tensor(list(AllChem.GetMorganFingerprintAsBitVect(mol, 1, nBits=1064)), dtype=torch.float)
        
        label=torch.tensor(self.data.at[index, 'score'], dtype=torch.long)
        
        if self.transform is not None:
            morgan=self.transform(morgan)
        
        return morgan, label

class Net(nn.Module):

    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(1064, 1064)
        self.fc2 = nn.Linear(1064, 1)
        self.act = nn.Tanh()
    
    def forward(self, x):
        x = self.act(self.fc1(x))
        x = self.act(self.fc2(x))
        x = self.fc2(x)
        return x

trainSet=dataset(r'C:\Users\BajMic\Peptides\trainingSet.xlsx')
testSet=dataset(r'C:\Users\BajMic\Peptides\testSet.xlsx')

net = Net()
loss_calc = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

for epoch in range(2):
    running_loss=0.0
    for data in DataLoader(trainSet, batch_size=1000, shuffle=True):
        inputs, target = data
        optimizer.zero_grad()
        outputs = net(inputs)
        print(outputs)
        loss = loss_calc(outputs, target)
        loss.backward()
        optimizer.step()        # print statistics
        running_loss += loss.item()
        print('[%d, %5d] loss: %.3f' %(epoch + 1, i + 1, running_loss))
        running_loss = 0.0
print('Finished Training')

---

使用丢失函数时，如果形状出现问题，通常会出现以下类型的错误消息：

目标大小（torch.size（[…]）必须与输入大小（torch.size（[…]）相同

“目标”指的是标签，即基本事实，“输入”指的是模型的输出。在这种情况下，输出是1个标量值的1000个预测（您设置了

batch\u size=1000

）。因此，形状为

（1000，1）

。这最后一个轴让您感到困扰，因为预测向量只是一个包含1000个标量的一维张量，即

（1000）

为了解决这个问题，你可以用一个额外的维度展开你的目标张量。与：

---

这回答了你的问题吗？

target = target.unsqueeze(-1) # -1 stands for last here equivalent to 1