Pytorch Pytork无交叉熵小批量

我试图构建一个简单的示例，其中包含零交叉熵，有三个类，minibatch size=1：

ce_loss = nn.CrossEntropyLoss()
outputs = torch.tensor([[1,0,3]], dtype=float)
targets = torch.tensor([1,0,3], dtype=torch.int64)
loss = ce_loss(outputs, targets)

这会导致错误：

ValueError: Expected input batch_size (1) to match target batch_size (3).

什么是错误的？目标批次大小（3）来自哪里

更新1

根据我对PyTorch docs的理解，我尝试了以下案例。请指出我错在哪里

例1：

outputs = torch.tensor([[1,1]], dtype=float)
targets = torch.tensor([1], dtype=torch.int64)
loss = ce_loss(outputs, targets)

输出：

loss: 0.6931471805599453

问题:

1） 我有一个等于1的类和两个关于这个类的预测，每个都等于1，对吗

2） 为什么非零损失

例2：

outputs = torch.tensor([[1]], dtype=float)
targets = torch.tensor([1], dtype=torch.int64)
loss = ce_loss(outputs, targets)

错误：

IndexError: Target 1 is out of bounds.

问题:

1） 我有一个类等于1，这个类的一个预测等于1，对吗

2） 为什么索引错误

例3：

outputs = torch.tensor([[1,1],[2,2]], dtype=float)
targets = torch.tensor([1, 2], dtype=torch.int64)
loss = ce_loss(outputs, targets)

错误：

IndexError: Target 2 is out of bounds.

问题:

1） 我有两个等于1和2的类，这两个类的预测分别等于1和2（批量大小=2），对吗

2） 为什么索引错误

---更多问题：----

对于以下情况，输出和目标应具有什么形状：

1） 二元分类，一个时间步长，一个输出神经元预测一个值，批量大小=1

2） 二元分类，五个不同的时间步，一个输出神经元预测的5个值，批量大小=5

3） 七类，一个时间步长，7个输出神经元预测的7个值，批量大小=1

---

4） 7个输出神经元预测7个类、5个不同的时间步、5组7个值，批量大小=5

您的

输出包含1个批次（1个样本）：

另一方面，您的
目标包含3个类，对应于3个批次（3个样本）

您应该只在
输出中传递与样本对应的一个目标标签，例如

targets = torch.tensor([1], dtype=torch.int64)

阅读有关传递给CrossEntropy的输入的更多信息。
谢谢，请参阅我问题的更新1。
targets = torch.tensor([1], dtype=torch.int64)