PyTorch中torch.nn.Functional多分类整数标签交叉熵损失问题

问题1：torch.nn.Functional中是否存在可计算多分类（每个实例对应一个整数标签）交叉熵损失的方法？ #

有，F.cross_entropy本身就支持整数标签的多分类交叉熵计算，但你用错了输入格式：

• F.cross_entropy的第一个参数input需要是模型输出的logits（未经过softmax的原始得分），形状必须是[batch_size, num_classes]，数据类型为浮点型；
• 第二个参数target是整数形式的真实标签，数据类型为LongTensor，形状为[batch_size]即可。

你当前传入的predictions是直接的类别索引（比如1、2这类），完全不符合input的要求，这才是报错的核心原因，并非标签类型问题。

问题2：是否需要将两个列表转换为FloatTensor？ #

不需要，两者的类型要求正好相反：

• 预测值（logits）：必须转为浮点型张量（如FloatTensor），且形状要符合[batch_size, num_classes]；
• 真实标签：需要转为LongTensor（整数类型），绝对不能转成FloatTensor。

修正后的示例代码 #

import torch
import torch.nn.functional as F

# 假设总共有8个类别（因为真实标签最大值是7）
num_classes = 8

# 实际场景中，logits是模型的直接输出，这里用随机张量模拟
logits = torch.randn(5, num_classes)  # 形状[5,8]，浮点型，对应5个样本、8个类别

actual_targets = [1, 2, 6, 5, 7]
targets = torch.tensor(actual_targets, dtype=torch.long)  # 转为LongTensor

# 正确计算交叉熵损失
loss = F.cross_entropy(logits, targets)
print(loss)

报错原因解析 #

你传入F.cross_entropy的predictions是形状为[5]的LongTensor（类别索引），PyTorch会误判你在传入类别概率分布（这种场景下要求target是浮点型概率），因此抛出"Expected floating point type for target with class probabilities, got Long"的错误。本质是预测值的格式完全错误，和标签类型无关。

另外，你之前的类型转换代码存在冗余：predictions.type(torch.LongTensor)不会修改原张量，需要重新赋值（比如predictions = predictions.type(torch.LongTensor)），但这不是解决问题的关键。

内容的提问来源于stack exchange，提问作者Kai