使用nll_loss计算损失与混淆矩阵时遇维度错误求助

错误原因 #

RuntimeError: 0D or 1D target tensor expected, multi-target not supported 本质是因为你用的nll_loss（包括依赖它的交叉熵损失）要求目标是1D整数类别索引（每个样本对应0~10的一个标签），但你的y是2D独热编码（每个样本是11维向量，仅一个位置为1），属于多目标格式，不符合损失函数的输入要求。同时你的混淆矩阵计算也犯了同样的错误——直接传入独热编码的y会导致每个样本被解析成多个类别，完全无法生成正确的混淆矩阵。

分步修正方案 #

1. 把独热编码的y转成类别索引

不管是计算损失还是混淆矩阵，都需要先将2D的独热y转换成1D的类别索引：

# 从独热编码中提取类别索引，得到形状为[batch_size]的1D张量
y_label = torch.argmax(y, dim=1)

2. 修正损失计算

• 如果你的模型最后一层是LogSoftmax，直接用nll_loss：

  import torch.nn.functional as F
  loss = F.nll_loss(output, y_label)
  

• 如果模型最后一层是普通Linear层（没有加LogSoftmax），用cross_entropy（它内部会自动完成LogSoftmax+NLLLoss的计算）：

  loss = F.cross_entropy(output, y_label)
  

3. 修正混淆矩阵计算

必须传入类别索引而非独热编码，同时要把张量转到CPU并转成numpy数组（sklearn的混淆矩阵只认numpy格式）：

from sklearn.metrics import confusion_matrix

# 转CPU+转numpy
y_np = y_label.cpu().numpy()
pred_np = torch.argmax(output, dim=1).cpu().numpy()
# 生成正确的混淆矩阵
cm = confusion_matrix(y_np, pred_np)

完整修改后的代码 #

def test_persionalized_model(self):
    self.model.eval()
    cTC = 0
    cP = []
    total_loss = 0.0  # 新增：累计损失
    self.update_parameters(self.persionalized_model_bar)
    
    with torch.no_grad():  # 评估阶段禁用梯度计算，省内存
        for x, y in self.testloaderfull:
            x, y = x.to(self.device), y.to(self.device)
            output = self.model(x)
            
            # 转换独热y为类别索引
            y_label = torch.argmax(y, dim=1)
            
            # 计算损失（根据模型最后一层选择下面其中一种）
            # loss = F.nll_loss(output, y_label)  # 模型最后是LogSoftmax时用
            loss = F.cross_entropy(output, y_label)  # 模型最后是Linear时用
            total_loss += loss.item() * x.size(0)  # 按样本数累计损失
            
            # 计算混淆矩阵
            y_np = y_label.cpu().numpy()
            pred_np = torch.argmax(output, dim=1).cpu().numpy()
            cm = confusion_matrix(y_np, pred_np)
            
            TC = np.diag(cm)
            cTC += np.sum(TC)
            for i in range(len(cm[0])):
                cP.append(cm[i][i] / (np.sum(cm[i]) + 1e-7))
    
    self.update_parameters(self.local_model)
    avg_loss = total_loss / len(self.testloaderfull.dataset)  # 计算平均损失
    return cTC, np.sum(cm), cP, avg_loss

额外提醒 #

• 如果你的任务是多标签分类（每个样本可以属于多个类别），那nll_loss确实不适用，需要改用BCEWithLogitsLoss，但从你输出和y的形状以及混淆矩阵的需求来看，应该是单标签多分类任务，上面的方案完全适用。
• 评估阶段一定要加with torch.no_grad()，避免不必要的内存占用和计算开销。

内容的提问来源于stack exchange，提问作者Anwar As'ad