PyTorch模型训练报错：IndexError: Target 25越界求助

问题根源 #

• 输出层维度不匹配：数据集包含6个类别，但模型输出层nn.Linear(in_features=32, out_features=5)仅设置了5个输出神经元，CrossEntropyLoss会默认类别索引范围是0-4，无法匹配实际类别数量。
• 标签格式不符合要求：你的标签是[9,12,15,18,21,25]这类原始离散值，但PyTorch的CrossEntropyLoss要求目标标签必须是从0开始的连续整数索引（0到类别数-1），25远超出当前模型支持的索引范围，因此触发越界错误。

解决方案 #

步骤1：修正模型输出层神经元数量

将输出层的out_features改为6，对应6个类别：

class HourPredictor(nn.Module):
    def __init__(self):
        super().__init__()
        self.fc1 = nn.Linear(in_features=14, out_features=64)
        self.fc2 = nn.Linear(in_features=64, out_features=32)
        self.output = nn.Linear(in_features=32, out_features=6)  # 从5改为6
    
    def forward(self, x):
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.output(x)
        return x

步骤2：将原始标签转换为类别索引

需要把原始标签映射为0-5的连续整数，推荐两种方法：

方法一：用LabelEncoder预处理（适合批量数据）

from sklearn.preprocessing import LabelEncoder

# 假设原始标签存储在labels变量中
label_encoder = LabelEncoder()
encoded_labels = label_encoder.fit_transform(labels)
# 转换后encoded_labels对应原始标签的索引为[0,1,2,3,4,5]

方法二：手动字典映射（无需额外依赖）

label_mapping = {9:0, 12:1, 15:2, 18:3, 21:4, 25:5}
# 转换标签并转为PyTorch张量
encoded_labels = torch.tensor([label_mapping[label] for label in labels], dtype=torch.long)

验证说明 #

修改后，模型输出维度为(batch_size,6)，标签范围是0-5的整数，CrossEntropyLoss可正常计算，不会再触发索引越界错误。

内容的提问来源于stack exchange，提问作者Ammar Ahmed Siddiqui