Pytorch 将BCE损耗用于ResNet输出的适当方式是什么？

标题解释了整个问题，但有些细节：

我正在使用

torchvision.models.resnet18（）

运行异常检测方案。我通过执行以下操作初始化模型：

net = torchvision.models.resnet18(num_classes=2)

因为在我的特定设置中，

0

等于正常样本，

1

等于异常样本

我的模型输出的形状为

（16，2）

（批量大小为16），标签的大小为

（16，1）

。这给了我两个输入张量形状不合适的错误

为了解决这个问题，我尝试了以下方法：

>>> new_output = torch.argmax(output, dim=1)

这为我提供了适当的形状，但运行

loss=nn.BCELoss（新的\u输出，标签）

会给我错误：

RuntimeError: bool value of Tensor with more than one value is ambiguous

我处理这个问题的适当方式是什么？谢谢

编辑 我也尝试过使用

nn.CrossEntropyLoss

，但得到了相同的运行时错误

---

更具体地说，我尝试了

nn.CrossEntropyLoss（output，label）

和

nn.CrossEntropyLoss（output，label.flatte（））

如果要使用BCELoss，输出形状应该是

（16，1）

而不是

（16，2）

。你可以考虑阅读这个优秀的下二元交叉熵损失。< /P> 由于您使用shape

（16，2）

，从

resnet18

获取输出，因此您应该在可以提供

（16，2）

输出和shape

（16）

标签的位置使用

您应该使用

CrossEntropyLoss

，如下所示

loss_crit = nn.CrossEntropyLoss()
loss = loss_crit(output, label) 

其中输出=

（16，2）

和标签=

（16）

。请注意，标签应包含0或1

请参见官方文件中提供的示例（复制如下）

>>> loss = nn.CrossEntropyLoss()
>>> input = torch.randn(3, 5, requires_grad=True)
>>> target = torch.empty(3, dtype=torch.long).random_(5)
>>> output = loss(input, target)
>>> output.backward()

---

嗨，谢谢你的回答！我也尝试过使用交叉熵损失，但是在

bool

值不明确的情况下，我得到了相同的运行时错误。我将把它编辑到问题中。如果您使用的是CrossEntropyLoss，请不要执行

argmax

。谢谢！使用

nn.CrossEntropyLoss（输出，labels.flatte（））

运行正常：您应该使用

nn.CrossEntropyLoss（）（输出，标签）

。