PyTorch多分类CNN报错：cross_entropy_loss的target应为Tensor而非tuple

问题根源 #

你的错误来自两个核心问题：

1. 标签是单元素元组（如('70uM',)），而非单个字符串/数值类型；
2. CrossEntropyLoss不接受字符串标签，要求输入整数类型的类别索引Tensor（如0、1、2对应不同浓度类别）。

具体修改步骤 #

1. 重构CustomDataset类 #

修改Dataset的初始化和取值逻辑，完成两个关键操作：提取元组中的字符串标签、将字符串标签映射为整数索引，并转为符合要求的Tensor。

示例代码：

import torch
from torch.utils.data import Dataset

class CustomDataset(Dataset):
    def __init__(self, images, labels):
        self.images = images  # 你的图像数据集（张量/列表格式）
        # 处理元组标签，提取出字符串
        str_labels = [label_tuple[0] for label_tuple in labels]
        # 建立字符串标签到整数索引的映射（排序保证映射稳定）
        unique_labels = sorted(set(str_labels))
        self.label_map = {label: idx for idx, label in enumerate(unique_labels)}
        # 将所有标签转为整数索引
        self.int_labels = [self.label_map[label] for label in str_labels]

    def __len__(self):
        return len(self.images)

    def __getitem__(self, index):
        img = self.images[index]
        # 返回long型Tensor，匹配CrossEntropyLoss的类型要求
        label = torch.tensor(self.int_labels[index], dtype=torch.long)
        return img, label

2. 验证训练循环的标签输入 #

确保DataLoader返回的标签是形状为(batch_size,)的long型Tensor，训练循环示例：

# 实例化数据集和数据加载器
train_dataset = CustomDataset(your_image_data, your_label_data)
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=16, shuffle=True)

# 训练循环
for imgs, labels in train_loader:
    # 此时labels是符合要求的整数Tensor，可直接传入损失函数
    outputs = your_cnn_model(imgs)
    loss = torch.nn.functional.cross_entropy(outputs, labels)
    
    # 后续反向传播、优化步骤
    loss.backward()
    optimizer.step()
    optimizer.zero_grad()

关键说明 #

• 标签映射的稳定性：对唯一标签做sorted处理，确保每次运行时相同浓度对应的索引一致，避免训练/测试时标签错位；
• Tensor类型要求：CrossEntropyLoss的target必须是torch.long类型，不能使用默认的float类型；
• 提前预处理：如果标签是从文件读取的（如CSV），可以在读取阶段就把元组转为字符串，减少Dataset内的处理逻辑。

内容的提问来源于stack exchange，提问作者Zelreedy