Pytorch使用BCEWithLogitsLoss报错Float无法转Long类型如何解决

• 核心原因是损失函数和标签类型不匹配：nn.BCEWithLogitsLoss()要求输入的标签必须为浮点型（FloatTensor），你手动将标签y转换为长整型（LongTensor），损失计算时无法将浮点运算结果转为长整型，直接触发该报错。
• 代码还存在两处隐藏的兼容问题，会放大该错误：
  1. 评估函数evaluate中计算损失时，y_pred没有执行squeeze()操作，预测输出和标签的维度不匹配，会额外引发类型运算异常。
  2. 若你是二分类场景使用BCE损失，AlexNet的输出维度output_dim必须设置为1，若错误设置为2也会出现维度/类型不匹配问题。

1. 调整标签类型转换逻辑，将所有y = y.to(device).long()修改为y = y.to(device).float()，匹配BCE损失的输入要求。
2. 统一训练、评估阶段的预测值处理逻辑，在评估函数的损失计算前也对y_pred做压缩处理：

# evaluate函数内损失计算代码修改为
loss = criterion(y_pred.squeeze(), y)

3. 确认你的任务类型适配损失函数：如果是N分类（N>2）任务，将损失函数更换为nn.CrossEntropyLoss()，此时标签才需要用long类型，同时将AlexNet的output_dim设置为类别数N即可。
4. 若你的binary_accuracy函数对标签类型有特殊要求，可在计算准确率时单独将标签临时转为long类型，不影响损失计算即可。

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