Python pytorch:“；“不支持多目标”；错误消息

所以我想对一些（3,50,50）图片进行分类。首先，我从没有数据加载器或批处理的文件中加载了数据集，它成功了。现在，在添加了这两项之后，我得到了一个错误：

RuntimeError: multi-target not supported at /pytorch/aten/src/THCUNN/generic/ClassNLLCriterion.cu:15

我在网上找到了很多答案，大多是使用“target.squeeze（1）”，但这对我来说并不适用。 我的目标批处理如下所示：

tensor([[1, 0],
        [1, 0],
        [1, 0],
        [1, 0],
        [1, 0],
        [1, 0],
        [1, 0],
        [1, 0]], device='cuda:0')

那不好吗

这里是完整的代码（请注意，我只创建了模型的结构，之后我将在其上应用完整和正确的数据集，因为我还没有完整的数据，只有32张图片，没有标签，这就是为什么我添加了“torch.tensor（[1，0]）作为所有标签的占位符）：

导入火炬
导入torch.utils.data
导入torch.nn作为nn
导入torch.nn.功能为F
导入torch.optim
从torch.autograd导入变量
将numpy作为np导入
从PIL导入图像
类模型（nn.Module）：
定义初始化（自）：
超级（模型，自我）。\uuuu初始化
#模型结构：
self.conv1=nn.Conv2d（3,10，内核大小=（5,5），步长=（1,1））
self.conv2=nn.Conv2d（10,20，内核大小=（5,5），步幅=（1,1））35;使用mapool:output=20*（9,9）功能映射->展平
self.fc1=nn.线性（20*9*9250）
self.fc2=nn.线性（250100）
self.fc3=nn.线性（100,2）
def前进（自身，x）：
#conv层
x=F.relu（self.conv1（x））#形状：1,10,46,46
x=F.max_pool2d（x，2，2）#形状：1，10，23，23
x=F.relu（self.conv2（x））#形状：1,20,19,19
x=F.max_pool2d（x，2，2）#形状：1，20，9，9
#展平至密实层：
x=x.view（-1,20*9*9）
#致密层
x=F.relu（自fc1（x））
x=F.relu（自身fc2（x））
输出=F.log\u softmax（自身fc3（x），尺寸=1）
返回输出
班级跑步：
定义初始（自我、时代、学习率、辍学率、势头）：
#负荷模型
self.model=model（）.cuda（）
#超参数：
self.epochs=epochs
自学习率=学习率
self.dropout=退出
def预增强（自我）：
dataset_folder=“/media/theodor/hdd/Programming/BWKI/dataset/bilder/”
数据集=[]
对于范围（0,35）内的i：
sample_image=image.open（数据集_文件夹+str（i）+“.png”）
数据=torch.from_numpy（np.array（sample_image））.类型（“torch.Tensor”）.重塑（3,50,50）
目标=火炬张量（[[1,0]]）
样本=（数据，目标）
dataset.append（示例）
火车装载机=torch.utils.data.DataLoader（数据集，批量大小=8）
回程列车装载机
def系列（自）：
列车组=自我预加固（）
标准=nn.CrossEntropyLoss（）
optimizer=torch.optim.SGD（self.model.parameters（），lr=self.learning\u rate）
对于范围内的历元（self.epochs）：
历元损失=0
对于i，枚举中的数据（列集合，0）：
样本，目标=数据
#将数据设置为cuda varibale
sample=变量（sample.float（）.cuda（））
target=变量（target.cuda（））
#初始化优化器
optimizer.zero_grad（）
#预测
输出=自我模型（示例）
#反向传播
打印（输出、目标压缩（1））
loss=标准（输出，target.squence（1））#错误消息：RuntimeError:multi-target不支持在/pytorch/aten/src/THCUNN/generic/classnlcriterion.cu:15
loss.backward（）
optimizer.step（）
历元损失+=损失项目（）
打印（“历元[”，历元，|“，self.epochs，”]：“，历元损失后的损失）
def测试（自我）：
通过
运行=运行（10,0.001,0.5,0.9）
run.train（）

所以我希望它开始训练（当然，因为标签是错误的，所以什么也学不到），

---

提前感谢！

对于

nn.CrossEntropyLoss

目标必须是间隔[0，#classes]中的单个数字，而不是一个热编码的目标向量。您的目标是[1，0]，因此Pytork认为您希望每个输入有多个标签，这是不受支持的

替换一个热编码目标：

[1,0]-->0

---

[0，1]->1

谢谢：），这是可行的，但我为什么在我离开最后一个密集层2的输出时（或将其更改为123）它也会起同样的作用？我是否用4替换[0，0，0，1]呢？你的目标始终是整数，而不是向量。对于两个类，它可以是0或1；对于123，它在0和122之间。[0，0，0，1]将是3，因为你开始计数在0，但我认为你有这个概念。如果这回答你的问题，考虑把它标记为正确的。应该分配目标=火炬。张量（y）的标签编码目标。