pytorch中的 target label问题： multi-target not supported

最新推荐文章于 2024-07-23 15:00:31 发布
最新推荐文章于 2024-07-23 15:00:31 发布
阅读量1.1k 收藏 2
点赞数 1
分类专栏： pytorch 文章标签： pytorch
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/znsoft/article/details/119771371
版权

我们在处理多分类问题使用交叉熵 nn.CrossEntropyLoss() 时，对数据的标签也就是y值 ，通常是按one-hot编码方式处理，这个时候在计算loss 函数时就会出现以下提示：

multi-target not supported

查阅资料发现，在pytorch的nn.CrossEntropyLoss()计算中，不能使用onehot编码，而是需要使用类别编码，在实际计算时，pytorch会自动转换为one-hot编码，否则 会提示以下错误：

multi-target not supported

所谓类别编码其实就是0,1,2,3,4,5,6,7...这样的编码

znsoft
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
pytorch报错：multi-target not supported at
欢迎来到hellyou的博客
06-11 2562
在使用交叉熵损失函数的时候，target的形状应该是和label的形状一致或者是只有batchsize这一个维度的。 如果target是这样的【batchszie，1】就会出现上述的错误。改一下试试，用squeeze（）函数降低维度 ...
RuntimeError: multi-target not supported at C:/w/b/windows/pytorch/aten/src\THCUNN/generic/ClassNLLC
weixin_61745097的博客
05-08 682
错误：RuntimeError: multi-target not supported at C:/w/b/windows/pytorch/aten/src\THCUNN/generic/ClassNLLCriterion.cu:15。如果label是【batchszie，1】就会出现上述的错误。应该用squeeze()函数降低纬度。在使用交叉熵损失函数的时候，label应该只有batchsize这一个维度的。
Pytorch踩坑：CrossEntropyLoss不支持one-hot label 报错：RuntimeError: multi-target not supported
一听音频技术
05-03 3939
报错： RuntimeError: multi-target not supported at /pytorch/aten/src/THCUNN/generic/ClassNLLCriterion.cu:15 原因： 使用nn.CrossEntropyLoss时，label必须是[0, #classes] 区间的一个数字，而不可以是one-hot encoded 目标向量 当你的l...
RuntimeError: multi-target not supported at /opt/conda/conda-bld/pytorch_1549635019666/work/aten/src
轮子去哪儿了
09-18 1万+
1. 出错代码行 计算交叉熵是出现异常提示：RuntimeError: multi-target not supported at /opt/conda/conda-bld/pytorch_1549635019666/work/aten/src/THNN/generic/ClassNLLCriterion.c:21 loss = criterion(prediction, target) 2. ...
Pytorch：交叉熵报错RuntimeError: 1D target tensor expected, multi-target not supported
小糖宝的博客
07-05 1538
pytorch求loss时遇到报错：RuntimeError: 1D target tensor expected, multi-target not supported
PyTorch F.cross_entropy报错: RuntimeError: 1D target tensor expected, multi-target not supported
he_yang_的博客
10-10 9426
原因 cross_entropy target参数只需要标签即可, 不需要传one-hot向量 代码试验 传入one-hot向量报错 import torch import torch.nn.functional as F a = torch.Tensor([[0, 0, 1], [1, 0, 0]]).long() b = torch.Tensor([[0.8, 0.1, 0.1], [0.9, 0.05, 0.05]]) print(F.cross_entropy(input = b, target =
RuntimeError: 0D or 1D target tensor expected, multi-target not supported报错解决方案
m0_63265516的博客
10-09 3022
RuntimeError: 0D or 1D target tensor expected, multi-target not supported报错解决方案
pytorch， multi-target not supported at 的一种可能原因
热门推荐
york1996的博客
11-17 1万+
在使用交叉熵损失函数的时候，target的形状应该是和label的形状一致或者是只有batchsize这一个维度的。 如果target是这样的【batchszie，1】就会出现上述的错误。改一下试试，用squeeze（）函数降低纬度，如果不知道squeeze怎么用的，可以参考我的其他博客。pytorch下的unsqueeze和squeeze用法 - york1996的博客 - CSDN博客 ...
解决pytorch CrossEntropyLoss报错RuntimeError: 1D target tensor expected, multi-target not supported
呆萌的代Ma
07-29 3163
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(
PyTorch-Image-Models-Multi-Label-Classification:基于timm的多标签分类
03-25
PyTorch图像模型多标签分类 基于timm的多标签分类。 更新2021/03/22 更新了./timm/models/multi_label_model.py、./train.py和./... 为了实现多标签分类，我从Ross的pytorch-image-models中修改（添加）以下文件： ./
PyTorch-Image-Models-Multi-Label-Classification-main.zip
03-26
PyTorch-Image-Models-Multi-Label-Classification-main.zip
pytorch-multi-label-classifier:pytorch实现的用于多标签分类的分类器
05-17
pytorch-multi-label-classifier引言实现的用于多标签分类的分类器。 您可以轻松地train ， test多标签分类模型并visualize训练过程。 以下是可视化单标签分类器训练的示例。 如果您有多个属性，则毫无疑问，每个...
pytorch-grad-cam：Grad-CAM的PyTorch实现
02-05
在Pytorch中实现Grad-CAM 是什么使网络认为图像标签是“ pug，pug-dog”和“ tabby，虎斑猫”： 将Grad-CAM与引导反向传播相结合的“ pug，pug-dog”类别： 梯度类激活图是用于深度学习网络的可视化技术。 参见...
pytorch_lstm-shuttle:LSTM-Shuttle的PyTorch实现
04-13
LSTM-Shuttle的PyTorch实现 | 概述 LSTM-Shuttle是“” 和在自然语言处理的经验方法会议（ EMNLP ）2018中（长期） LSTM-Shuttle不仅向前读取穿梭内容，而且向后走。 向前穿梭可提高效率，向后穿梭可使模型有机会...
【PyTorch】单目标检测项目
最新发布
Frost_Descent的博客
07-23 1815
将中央凹中心预测为眼睛图像中的x和y坐标，构建一个由多个卷积层和池化层组成的模型。 该模型将接收调整好的RGB图像，提供与中央凹坐标相对应的两个线性输出。模型将利用ResNet论文Deep Residual Learning for Image Recognition中介绍的skip connection跳跃连接技术。
【Pytorch实战教程】Pytorch中model.train()和model.eval()的作用
惊鸿若梦一书生
07-22 234
在 PyTorch 中，`model.train()` 和 `model.eval()` 用于设置模型的`训练模式`和`评估模式`，它们的作用主要涉及模型中的特定层如批归一化（Batch Normalization）和丢弃（Dropout）等。
用PyTorch从零开始编写DeepSeek-V2
deephub
07-23 4681
本文详细介绍了DeepSeek-V2语言模型，这是一个强大的开源混合专家（MoE）语言模型，采用创新的架构来提高训练和推理的经济性和效率。DeepSeek-V2采用了两种核心技术：细粒度专家分割和共享专家隔离，这两种策略显著提高了专家的专业化水平。此外，文章还介绍了多头隐性注意力（MLA），这是一种改进的注意力机制，通过低秩键值联合压缩和解耦旋转位置嵌入，优化了模型的存储和计算效率。除了理论探讨，我们通过编写代码实现DeepSeek-V2，可以更深入地理解其架构和工作原理。
PyTorch手写体数字识别实例
brucexia的专栏
07-23 1063
或者读者也可以在网上搜索MNIST的下载地址，下载MNIST文件中包含的数据集train-images-idx3-ubyte.gz（训练图片集）、train-labels-idx1-ubyte.gz（训练标签集）、t10k-images-idx3-ubyte.gz（测试图片集）和t10k-labels-idx1-ubyte.gz（测试标签集），如图2-23所示。可以看到，随着模型循环次数的增加，模型的损失值在降低，而准确率在提高，具体请读者自行验证测试。模型的训练结果如图3-5所示。图3-5 训练结果。
pytorch-multi-label-classifier-master
07-09
在pytorch-multi-label-classifier-master中，你可以找到许多工具和函数来进行数据预处理、模型构建、训练和评估。它支持常见的多标签分类算法，如卷积神经网络（CNN）和递归神经网络（RNN）。你可以根据自己的需求...
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