Pytorch交叉熵损失函数CrossEntropyLoss报错解决办法

最新推荐文章于 2023-08-04 17:45:40 发布
最新推荐文章于 2023-08-04 17:45:40 发布
阅读量771 收藏
点赞数
文章标签： pytorch 深度学习 python
原文链接：https://www.jianshu.com/p/f5f458c9f37a
版权
文章介绍了在Pytorch中使用交叉熵损失函数时，需要将输出(output)转换为Float类型，标签(target)转换为Long类型，以避免计算错误。通过`torch.from_numpy()`函数将numpy数组转换为相应的张量类型是解决报错的关键步骤。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

交叉熵需要传入一个output和一个target。nn.CrossEntropyLoss(output, target)。
其中：

output.dtype : torch.FloatTorch
target.dtype : torch.LongTorch

对数据和标签做如下处理：

x = torch.from_numpy(x).float()
target = torch.from_numpy(target).long()

参考：

Pytorch交叉熵损失函数CrossEntropyLoss报错解决办法 - 简书

带你一文透彻学习【PyTorch深度学习实践】分篇——多分类问题之交叉熵损失函数CrossEntropyLoss：Softmax分类器，One-hot；针对MNIST数据集 | 附：实例源代码
追光者♂：记录、分享、总结、提升，现象级专栏《Python从入门到人工智能》作者，无惧黑暗，坚信曙光
04-09 614
本篇分享的知识是在深度学习中针对多分类问题，该如何处理会比较好。以大家容易理解的例子引出交叉熵损失函数，并说明了Softmax的公式及其作用。此外，由浅入深，通过举简单的例子来演示损失函数。针对MNIST数据集，本文也初步说明了如何对图像进行处理。
Pytorch里CrossEntropyLoss,BCEWithLogitsLoss,BCELoss区别简析
s724mri的博客
04-03 751
项目场景： 选loss的时候不知道选哪个 问题描述 CrossEntropyLoss 非常常用但是在pytorch里集成了很多CEloss的变种，虽然一般使用普通的CrossEntropyLoss，但是对于其他的CEloss不知道有什么区别，参考了这篇博文 详解pytorch中的交叉熵损失函数 ，在这个基础上做了一些小实验。 贴一下代码 @Override public void run() { bytes = mmInStream.read(buffer); mHandler.obtainMes
[pytorch] 使用CrossEntropyLoss()交叉熵损失函数报错：Target 2 is out of bounds.
a1651950431的博客
03-13 2191
[pytorch] 使用CrossEntropyLoss()交叉熵损失函数报错：Target 2 is out of bounds.
pytorch 中 CrossEntropyLoss 报错
听雨轩的博客
08-15 1522
在 pytorch 中，交叉熵损失函数会报以下的错： 该错误的原因是目标的类别数与预测的类别数不匹配。 只将 CrossEntropyLoss损失函数拿出来，看一下输入和输出。以下代码可以正常的输出loss的值： import torch criterion = torch.nn.CrossEntropyLoss() x = torch.rand(10, 10) # x.shape[10,10] y = torch.tensor([0,1,2,3,4,5,6,7,8,9]) # y.sha
Pytorch学习笔记(5)——交叉熵报错RuntimeError: 1D target tensor expected, multi-target not supported
LiQZ的博客
10-27 2万+
当我使用交叉熵做损失函数时，发生了报错： RuntimeError: 1D target tensor expected, multi-target not supported 我查了相关资料，里面的说法基本都是： 输入labels维度应该为1维，且精度不能是Double，必须换成long； 对输入标签进行降维。 但是却没法解决我的问题，因为我的标签数据在处理好后，用以下代码处理过： torch.FloatTensor(labels) 而且我也打印过我的标签数据的维度： torch.Size([16
PyTorch的 nn.CrossEntropyLoss()报错
Home to come
12-09 1919
nn.CrossEntropyLoss() 中两个参数，其中的标签必须为long型（int64）的，不能是float32 hwLabels = torch.Tensor(hwLabels).long() loss_func = nn.CrossEntropyLoss() for epoch in range(EPOCH): for step, (b_x, b_y) in enumerate(train_loader): # gives batch data, normalize x
pytorch CrossEntropyLoss报错RuntimeError: 1D target tensor expected, multi-target not supported
qq_42313096的博客
10-11 617
1. 不是one-hot，是具体哪一类 eg:labels=[3,6,12,5,8]2. label的维度是1，不能是多纬 eg：labels=32*10 ×。
torch.nn.CrossEntropyLoss报错及解决
momo的博客
12-14 1万+
不然softmax无法计算，及model的output channel = class number。假设传入torch.nn.CrossEntropyLoss的参数为。根据官网文档，如果直接使用class进行分类，pred的维度应该是。注意在网络输出的channel中加入。，label的维度应该是。
pytorch的CrossEntropyLoss交叉熵损失函数默认reduction是平均值
一个人的世界
08-04 1796
pytorch的交叉熵函数中reduction默认使用的求平均
PyTorch损失函数之交叉熵损失函数nn.CrossEntropyLoss()
热门推荐
zyoung17的博客
09-06 2万+
PyTorch之nn.CrossEntropyLoss() nn.CrossEntropyLoss()是nn.logSoftmax()和nn.NLLLoss()的整合,可以直接使用它来替换网络中的这两个操作，这个函数可以用于多分类问题。具体的计算过程可以参考官网的公式或者一下这个链接。 https://pytorch.org/docs/stable/generated/torch.nn.CrossEntropyLoss.html#torch.nn.CrossEntropyLoss https://blog.
nn.CrossEntropyLoss()
01-20
用于多分类，直接写标签序号就可以：0,1,2. 预测需要维度与标签长度一致。 import torch import torch.nn as nn import math criterion = nn.CrossEntropyLoss() output = torch.randn(3, 5, requires_grad=True) label = torch.empty(3, dtype=torch.long).random_(5) loss = criterion(output, label) print(网络输出为3个5类:) print(output) print(要计算loss
Pytorch CrossEntropyLoss调错记录
weixin_41068770的博客
03-18 2357
1、dimension out of range (expected to be in range of [-1, 0], but got 1) 参考https://github.com/pytorch/pytorch/issues/5554 二分类问题，target.size [batch_size,] 修改，output_class.size() 为[batch_si...
解决pytorch CrossEntropyLoss报错RuntimeError: 1D target tensor expected, multi-target not supported
呆萌的代Ma
07-29 3453
解决方法 CrossEntropyLoss(预测值，label)需要的输入维度是： 有batch时，预测值维度为2，size为[ batch_size, n ]时，label的维度是1，size为[ batch_size ] 没有batch时，预测值的维度为2，size为[ m, n ]，label的维度是1，size为[ m ] 问题解析 一个案例即可说明： import torch import torch.nn as nn import numpy as np a = torch.tensor(
损失函数（交叉熵误差）
weixin_45590490的博客
04-30 2471
损失函数 神经网络以某个指标为线索寻找最优权重参数。神经网络的学习中所用的指标称为损失函数 （loss function）。这个损失函数可以使用任意函数，但一般用均方误差和交叉熵误差等。 交叉熵误差 除了均方误差之外，交叉熵误差 （cross entropy error）也经常被用作损失函数。交叉熵误差如下式所示。 这里，log 表示以e为底数的自然对数（loge ）。yk是神经网络的输出，tk 是正确解标签。并且，tk 中只有正确解标签的索引为 1，其他均为 0（one-hot 表示）。因此，式（4.2
nn.CrossEntropyLoss()报错
weixin_40248634的博客
08-04 526
需要将一维的label 改为的label.long()
成功解决：计算交叉熵lossFunction报错“1D target tensor expected, multi-target not supported”的解决办法
jerry zhang的sally wu
01-04 1844
https://blog.csdn.net/weixin_43429591/article/details/107047895
使用多分类交叉熵损失 。报错：RuntimeError: expected scalar type Long but found Float
onlyforbest的博客
03-13 7842
import torch x=torch.Tensor([[0.5000, 0.5003, 0.5011, 0.5003, 0.5000, 0.5006], [0.5000, 0.5003, 0.5010, 0.5003, 0.5000, 0.5006], [0.5000, 0.5003, 0.5011, 0.5003, 0.5000, 0.5006], [0.5000, 0.5003, 0.5010, 0.5004, 0.5000, 0.5005],...
交叉熵损失函数
weixin_30325071的博客
04-28 112
交叉熵损失函数 熵的本质是香浓信息量\(\log(\frac{1}{p})\)的期望 既然熵的本质是香浓信息量\(\log(\frac{1}{p})\)的期望，那么便有 \[ H(p)=E[p_i\times\log(\frac{1}{p_i})]=\sum p_i\times\log\frac{1}{p_i} \] 一个时间结果的出现概率越低，对其编码的bit的长度就越长。熵的本质...
bootstrappedCrossEntropyLoss
最新发布
08-29
- *2* [Pytorch交叉熵损失函数CrossEntropyLoss报错解决办法](https://blog.csdn.net/vivi_cin/article/details/129774954)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值