Python 预期目标大小（50，88），获得火炬。大小（[50，288，88]）

我正在努力训练我的神经网络。模型中的列车是正确的，但我不能计算损失。输出和目标具有相同的维度

我曾尝试使用torch.stack，但我不能，因为每个输入的大小是（252，x），其中x在252个元素中是相同的，但对于其他输入是不同的

我使用自定义数据集：

class MusicDataSet(Dataset):
def __init__(self, transform=None):
    self.ms, self.target, self.tam = sd.cargarDatos()  
    self.mean, self.std = self.NormalizationValues()                    
def __len__(self):
    return self.tam

def __getitem__(self, idx):
    #Normalize
    inp = (self.ms[idx]-self.mean)/self.std
    inp = torch.from_numpy(inp).float()    
    inp = inp.t()
    inp = inp.to('cuda')

    target= torch.from_numpy(self.target[idx])
    target = target.long()
    target = target.t()
    target = target.to('cuda')

    return inp, target

我必须说，列表不能像：target=torch.Tensor（）或torch.stack（）那样进行转换，因为这是（252，x），我已经说过了

def music_collate_fn(batch):
    data = [item[0] for item in batch]
    data = pad_sequence(data, batch_first=True)
    target = [item[0] for item in batch]
    target = pad_sequence(target, batch_first=True)
    return data, target


musicSet = mds.MusicDataSet()
train_loader = torch.utils.data.DataLoader(musicSet,batch_size=50, collate_fn = music_collate_fn, shuffle=False)

input_dim = 252
hidden_dim = (512,1024,512)
output_dim = 88
mlp = rn.MLP(input_dim, hidden_dim, output_dim).to(device)

optimizer = torch.optim.RMSprop(mlp.parameters(), lr = learning_rate)
criterion = nn.CrossEntropyLoss()
for batch_idx, (x,y) in enumerate(train_loader):
    outputs = mlp(x.to(device))
    loss = criterion(outputs, y)
    optimizer.zero_grad()           
    loss.backward()                 
    optimizer.step()

输出和目标的大小相同

output: torch.Size([50, 288, 88])
target:  torch.Size([50, 288, 88])

但当我试图计算损失时，出现了下一个错误：

  File "<ipython-input-205-3c47d7aa11a4>", line 32, in <module>
    loss = criterion(outputs, y)

  File "C:\ProgramData\Anaconda3\lib\site-packages\torch\nn\modules\module.py", line 489, in __call__
    result = self.forward(*input, **kwargs)

  File "C:\ProgramData\Anaconda3\lib\site-packages\torch\nn\modules\loss.py", line 904, in forward
    ignore_index=self.ignore_index, reduction=self.reduction)

  File "C:\ProgramData\Anaconda3\lib\site-packages\torch\nn\functional.py", line 1970, in cross_entropy
    return nll_loss(log_softmax(input, 1), target, weight, None, ignore_index, None, reduction)

  File "C:\ProgramData\Anaconda3\lib\site-packages\torch
\nn\functional.py", line 1800, in nll_loss
    out_size, target.size()))

ValueError: Expected target size (50, 88), got torch.Size([50, 288, 88])

文件“”，第32行，在
损耗=标准（输出，y）
文件“C:\ProgramData\Anaconda3\lib\site packages\torch\nn\modules\module.py”，第489行，在调用中__
结果=自我转发（*输入，**kwargs）
文件“C:\ProgramData\Anaconda3\lib\site packages\torch\nn\modules\loss.py”，第904行，前进
忽略索引=自我。忽略索引，减少=自我。减少）
文件“C:\ProgramData\Anaconda3\lib\site packages\torch\nn\functional.py”，第1970行，交叉显示
返回nll_损失（log_softmax（输入，1），目标，重量，无，忽略索引，无，减少）
文件“C:\ProgramData\Anaconda3\lib\site packages\torch
\nn\functional.py“，第1800行，nll\U损耗
out_size，target.size（））
ValueError:预期目标大小（50,88），已获取火炬。大小（[50,288,88]）

我认为您使用的

交叉入口权限不正确。请参阅文档

特别是，如果输入为[NxCxd]形状，则目标应为[Nxd]形状，且目标中的值为0到C-1之间的整数，即您可以只提供类标签，而不需要对目标变量进行一次热编码。错误消息也说明了这一点
 我不清楚您的问题，但我敢打赌您在进行培训时对批次大小感到困惑。我的模型的输入是[batch_size，input，variableData]。目标具有形状[batch_size，variabledata，target]。我试图使用torch.transpose（1,2）将variableData放在目标位置，但它不起作用。@LeonLopez CrossEntropyLoss需要（minibatch，C）作为输入，C是类分类的编号。我需要确定你想做什么，才能提出建议（1）改变形状或（2）改变损失函数。