PyTorch使用CrossEntropyLoss报错：输出与标签维度不匹配

问题概述 #

在使用PyTorch开发多分类模型时，采用nn.CrossEntropyLoss()作为损失函数，模型输出尺寸为(batchsize, #classes)，但运行时出现尺寸不匹配的报错，同时疑惑CrossEntropyLoss是否自动应用LogSoftmax。

错误原因分析 #

从报错信息和代码来看，存在两个核心问题：

• 标签数据类型错误：nn.CrossEntropyLoss()要求标签为**整数类型（torch.long）**的类别索引，但当前Dataset中标签被转为torch.float32类型。
• 损失函数调用异常：报错栈显示实际调用的是BCEWithLogitsLoss（二分类损失），但代码中定义的是nn.CrossEntropyLoss()，可能存在代码混淆或误改情况。

另外需要明确：nn.CrossEntropyLoss()的输入要求是模型输出未经过Softmax的logits（形状[batch_size, num_classes]），标签是类别索引（形状[batch_size]），该损失函数内部会自动完成LogSoftmax和NLLLoss的计算，因此模型输出(batchsize, #classes)是完全正确的，不需要改成(batchsize)的向量。

具体修复步骤 #

• 修正Dataset中的标签类型：修改DatasetPlus的__getitem__方法中标签的转换代码：

  # 原代码
  label = torch.tensor(label, dtype=torch.float32)
  
  # 修改为
  label = torch.tensor(label, dtype=torch.long)
  

• 确认损失函数定义正确：确保训练代码中损失函数确实是多分类用的CrossEntropyLoss，而非二分类损失：

  criterion = nn.CrossEntropyLoss()  # 确认这一行没有被误改为BCE相关损失
  

• 验证输入输出尺寸：修正后，模型输出yhat尺寸为[4, 3]（batch=4，3个类别），标签label尺寸为[4]（每个样本对应一个类别索引），符合nn.CrossEntropyLoss()的输入要求，此时损失计算不会再报尺寸不匹配错误。

修复后训练流程说明 #

模型的输出逻辑无需修改，nn.CrossEntropyLoss()会自动处理logits与类别索引的损失计算，训练代码保持原有结构即可正常运行。

内容的提问来源于stack exchange，提问作者Mohsen Amiri