Python 计算pytorch中分类的交叉熵损失

我试图建立两个神经网络进行分类。一个用于二进制分类，第二个用于多类分类。我试图使用

torch.nn.CrossEntropyLoss（）

作为损失函数，但我尝试训练我的第一个神经网络，但我得到以下错误：

multi-target not supported at /opt/conda/conda-bld/pytorch_1565272271120/work/aten/src/THNN/generic/ClassNLLCriterion.c:22

通过分析，我发现my dataset有两个问题导致了错误

• 我的数据集是一个热编码的。我使用了一个热编码来预处理我的数据集。第一个目标

  Y_binary

  变量的形状为

  torch.Size（[125973，1]）

  全是0和1，表示类“No”和“Yes”
• 我的数据有错误的维度？我发现我不能使用带有交叉熵损失函数的简单向量。有些人在输入损失函数之前，使用以下代码重塑目标向量

out=out.permute（0,2,3,1）.continuoused（）.view（-1，类号）

但我并不真正理解这段代码背后的原因。但对于我来说，我似乎需要跟踪以下变量：

类号

，

批量大小

，

维度输出

。对于我的代码，这里是维度

X_train.shape: (125973, 122)
Y_train2.shape: (125973, 1)
batch_size = 64
K = len(set(Y_train2)) # Binary classification For multi class classification use K = len(set(Y_train5))

• 目标值是否应为一个热编码？如果不是，我如何将标称特征输入损耗函数
• 如果我使用重塑输出，你能帮我做我的代码吗

我试着把这个损失函数用于我的两个神经网络

---

提前感谢您，

如果您要预测N个类中的1个类，则错误是由于使用了。对于多类分类，应使用在单个类中结合层和层的

---

在多类的情况下，如果您使用Sigmoid+BCELoss，那么您需要将目标设置为一个热编码，即每个示例都是这样的：

[0 1 0 0 0 1 0 1 0]

，其中1将位于当前类的位置。

那么如何解决此错误？torch.nn.CrossEntropyLoss（）可以用于二进制分类吗？我没有完全理解您的答案。如果示例仅与一个类关联，请使用CrossEntropyLoss，否则，请使用BCEWithLogitsLoss（当您有多个类标签的示例时）。