首先，你的核心错误是权重张量长度和类别数不匹配，这完全是一个笔误导致的：

在你的代码里，权重列表写的是：

class_weights = torch.tensor([0.1, 1.0, 1.0, 1,0, 1.0], ...)

注意这里的1,0——这是用逗号分隔的两个独立数值（1和0），而不是你想写的1.0！这就导致你的权重张量一共有6个元素，但你的任务是5分类（类别0-4），PyTorch要求权重必须覆盖所有C个类别，所以才会抛出weight tensor should be defined either for all or no classes的错误。

第一步：修正笔误 #

把权重里的1,0改成1.0，让权重张量长度严格等于5：

class_weights = torch.tensor([0.1, 1.0, 1.0, 1.0, 1.0], dtype=torch.float16, device=result.device)

这样权重就对应了类别0到4，和你的输出通道数（5）完全匹配，这个报错应该就会消失。

关于NaN问题的补充 #

你提到调整权重为4个元素时代码能运行但出现NaN，这是因为4个权重只覆盖了类别0-3，类别4没有对应的权重，加上你使用float16精度（数值范围远小于float32，容易出现下溢/上溢），就很容易触发NaN。

解决NaN的建议：

• 先切换到float32调试，确认损失计算逻辑正常后，再尝试float16；
• 如果必须用float16，建议使用PyTorch的自动混合精度（torch.cuda.amp），它能自动管理不同张量的精度，减少数值不稳定的情况；
• 当使用ignore_index=0时，确保权重和类别数匹配的前提下设置，这个参数会忽略类别0的损失计算，和你降低类别0权重的目标是一致的，可以结合使用。

关于PyTorch版本的建议 #

你当前使用的1.9.0版本确实比较老旧，新版本（比如1.12及以上）对这类参数不匹配的错误提示会更清晰，同时对混合精度训练的支持也更完善，建议升级到稳定版来避免一些潜在的旧版本问题。

验证最小复现示例 #

你的loss_func_fails里同样存在1,0的笔误，修正后就能正常运行。比如把权重改成：

class_weights = torch.tensor([0.1, 1.0, 1.0, 1.0, 1.0], dtype=torch.float32, device=result.device)

再运行loss_func_fails就不会报错了。

内容的提问来源于stack exchange，提问作者Oni