如何在不降低模型质量的前提下修复ValueError: too many values to unpack错误

问题根源 #

你遇到的错误是因为training_loader每次迭代返回的元素数量不等于2，而你用data, labels去解包时只能接收2个值，导致报错。其他同学没有问题，说明你的数据集加载逻辑（Dataset或DataLoader配置）和他人存在差异。

排查与解决步骤 #

1. 先确认DataLoader返回的元素结构 #

在训练循环前添加调试代码，查看training_loader每个batch的元素数量：

# 调试代码，放在epochs循环之前
sample_batch = next(iter(training_loader))
print(f"每个batch包含的元素数量: {len(sample_batch)}")

• 如果输出是3或更大的数字：说明你的Dataset的__getitem__方法返回了额外元素（比如数据索引、额外特征等）。此时需要对应修改循环解包逻辑：
  • 若额外元素不需要，可忽略：

    for data, labels, *_ in training_loader:  # *_ 接收并忽略剩余元素
        # 后续训练代码不变
    

  • 若需要额外元素，按实际数量解包：

    for data, labels, idx in training_loader:  # 假设返回3个元素
        # 后续训练代码不变
    

2. 检查Dataset的__getitem__实现 #

确保你的自定义Dataset类的__getitem__方法只返回数据张量和标签张量两个元素，示例如下：

class HeartDiseaseDataset(Dataset):
    def __init__(self, features, labels):
        self.features = features
        self.labels = labels
    
    def __len__(self):
        return len(self.features)
    
    def __getitem__(self, idx):
        # 仅返回特征和标签两个张量
        return self.features[idx], self.labels[idx]

如果你的__getitem__返回了更多内容（比如return self.features[idx], self.labels[idx], idx），就会导致DataLoader迭代时返回多元素，引发解包错误。

3. 额外优化建议（不影响错误修复，但提升模型性能） #

• 模型输出与损失函数匹配：如果你的loss_function是nn.CrossEntropyLoss()，模型最后不需要加F.softmax——因为CrossEntropyLoss内部已经集成了log_softmax和NLLLoss的计算，额外加softmax会导致数值不稳定，修改模型的forward方法：

  def forward(self, x):
      x = self.linear1(x)
      x = F.relu(x)
      x = self.linear2(x)
      # 移除F.softmax(x, dim=1)
      return x
  

• 测试准确率计算修正：原代码中torch.argmax(predict)默认按dim=0取最大值，会导致整批样本只返回一个索引，正确的做法是按dim=1取每个样本的预测类别，并批量统计正确数：

  # 替换测试循环内的准确率计算部分
  predict = model(data.to(device))
  loss = loss_function(label.to(device), predict)
  test_loss += loss.item()
  
  # 获取每个样本的预测类别和真实类别
  pred_labels = torch.argmax(predict, dim=1)
  true_labels = label.to(device)
  # 如果标签是one-hot编码，需要转成类别索引：true_labels = torch.argmax(label.to(device), dim=1)
  correct += (pred_labels == true_labels).sum().item()
  total += label.size(0)
  

内容的提问来源于stack exchange，提问作者Mireia Farreras Domingo