PyTorch音频分类模型训练报错：Target -1 is out of bounds求助

问题背景 #

开发一个音频分类器，输入为128×10377的频谱图矩阵，采用1D卷积层处理，目标是预测50个潜在因子。训练过程中随机出现错误：IndexError: Target -1 is out of bounds.

错误核心原因 #

1. 任务类型完全错误：你使用了nn.CrossEntropyLoss（多分类损失函数），但目标是50个连续浮点型潜在因子，这是回归任务而非分类任务。CrossEntropyLoss要求标签是0到num_classes-1的整数类别索引，而你的潜在因子是连续值，强行转换为LongTensor会导致负数被截断为-1，触发越界错误。
2. 标签处理错误：将浮点型的潜在因子直接转换为torch.LongTensor，会把小于-0.5的浮点值截断为-1，产生非法标签值，导致CrossEntropyLoss报错。

解决方案 #

1. 修正任务类型与损失函数 #

将分类任务改为回归任务，替换损失函数：

# 替换原来的CrossEntropyLoss，改用回归损失
criterion = nn.MSELoss()  # 均方误差损失，适用于连续值回归
# 或根据需求选择L1Loss（平均绝对误差）
# criterion = nn.L1Loss()

2. 修正Dataset中的标签处理 #

不需要将潜在因子转换为LongTensor，保持浮点型的FloatTensor即可：

# 修改SoundDS类中的标签处理部分
latent_factors = np.array(self.df.iloc[idx, 2:52], dtype=np.float64) 
latent_factors = torch.from_numpy(latent_factors).type(torch.FloatTensor)  # 改为FloatTensor

3. 修正训练代码中的指标计算 #

原来的准确率统计是分类任务逻辑，回归任务需替换为回归指标（如MSE）：

# 替换训练函数中的准确率统计逻辑
running_mse = 0.0  # 改为统计MSE损失

# 循环内：
loss = criterion(outputs, labels)
running_mse += loss.item()

# epoch结束时：
avg_mse = running_mse / num_batches
print(f'Epoch: {epoch}, MSE Loss: {avg_mse:.6f}')

4. 修复模型维度不匹配问题（隐藏坑） #

卷积输出直接传入线性层会导致维度不匹配，需先合并通道与长度维度：

def forward(self, x):
    # 卷积与池化操作
    x = self.conv1(x)
    x = self.pool1(x)
    x = self.conv2(x)
    x = self.pool2(x)
    
    # 新增：合并通道与长度维度
    x = x.flatten(start_dim=1)  # 形状变为(batch_size, 128*517)
    
    # 同步修改__init__中的fc1输入维度
    # self.fc1 = nn.Linear(66176, 400)
    
    x = self.fc1(x)
    x = self.fc2(x)
    return x

总结 #

核心问题是混淆了分类与回归任务，错误使用分类损失函数处理连续值标签，同时标签类型转换产生非法值。按上述步骤修改后，即可解决Target -1 is out of bounds.错误，同时修复模型维度问题。

内容的提问来源于stack exchange，提问作者Rocket