第一次用的損失函數(shù)是均方誤差MSELoss程序正常運行沒有遇到問題谴餐，但當換成CrossEntropyLoss后會報如下錯誤：
RuntimeError: Expected object of scalar type Long but got scalar type Float for argument #2 'target' in call to _thnn_nll_loss_forward
搜了很多博客都沒有找到答案茄猫，這篇博客中說到：
交叉熵需要傳入一個output和一個target排监。nn.CrossEntropyLoss(output, target)锥债。
其中：
output.dtype : torch.FloatTorch
target.dtype : torch.LongTorch
我的預測數(shù)據(jù)output和標簽數(shù)據(jù)target都是torch.float32數(shù)據(jù)類型，所以我在將array數(shù)據(jù)類型轉換成tensor數(shù)據(jù)類型時做了如下操作：
x = torch.from_numpy(x).float()
target = torch.from_numpy(target).long()
其中float是float32類型践樱，long是int64類型，但是問題依然存在凸丸。
在pytorch的官方論壇里有一個人也遇到了同樣的問題拷邢，他把nn.CrossEntropyLoss()換成了nn.MultiLabelSoftMarginLoss()就不再報錯了。但是經(jīng)過實驗發(fā)現(xiàn)屎慢，這個損失函數(shù)的效果非常差瞭稼，遠不如MSELoss。
最終抛人，我找到了一篇運用交叉熵損失函數(shù)的多分類代碼一步步檢查發(fā)現(xiàn)了報錯的原因:
在多分類問題中弛姜，當損失函數(shù)為nn.CrossEntropyLoss()時脐瑰，它會自動把標簽轉換成onehot形式妖枚。例如，MNIST數(shù)據(jù)集的標簽為0到9的數(shù)字苍在，有100個標簽绝页，則標簽的形狀為[100]，而我們的模型的輸出則為onehot形式寂恬，其形狀為[100, 10]续誉。所以，我們在運用交叉熵損失函數(shù)時不必將標簽也轉換成onehot形式初肉。問題成功解決酷鸦。（target仍然需要為int64類型）
