PyTorch报IndexError: too many indices for tensor of dimension 0如何解决

• 核心问题是变量名重复覆盖：你在训练代码前半段定义了字典类型的loss用来存储多组损失数据，但是进入训练循环后，你用loss = criterion(yhat, data_set.y)把原来的字典变量直接覆盖成了PyTorch的0维损失标量。后续你尝试用字典键loss["training_data_no_dropout"]访问标量张量，就触发了维度不足的索引错误。
  除此之外你的代码还有几处隐含错误，也会导致后续运行报错：
• 数据集类Data的__len__方法返回了不存在的属性self.len，会触发属性不存在错误
• 优化器定义重复赋值：两次优化器都赋值给了变量optimizer，导致无dropout模型的优化器被dropout模型的优化器覆盖
• 拼写错误：存储损失时loss_drop.item漏了括号，应该是loss_drop.item()；验证损失存储的方法名appent拼写错误，应该是append

你只需要修改以下几处代码即可正常运行：

1. 修正数据集类的长度方法：

# 获取长度
def __len__(self):
    return self.x.shape[0]

2. 修正优化器命名，不要重复覆盖：

optimizer_ofit = torch.optim.Adam(model.parameters(), lr=0.01)
optimizer_drop = torch.optim.Adam(model_drop.parameters(), lr=0.01)

3. 训练循环内修改损失变量名，避免覆盖存储用的loss字典，同时修正拼写错误：

# ------------------------- 训练过程
for epoch in range(500):
    # 全量样本训练
    yhat = model(data_set.x)
    yhat_drop = model_drop(data_set.x)
    # 损失变量改名，不和存储字典重名
    train_loss = criterion(yhat, data_set.y)
    train_loss_drop = criterion(yhat_drop, data_set.y)
    
    # 存储两个模型的训练集和验证集损失
    loss["training_data_no_dropout"].append(train_loss.item())
    loss["validation_data_no_dropout"].append(criterion(model(validation_set.x), validation_set.y).item())
    # 补全item的括号
    loss["training_data_dropout"].append(train_loss_drop.item())
    model_drop.eval()
    # 修正append拼写错误
    loss["validation_data_dropout"].append(criterion(model_drop(validation_set.x), validation_set.y).item())
    model_drop.train()
    
    optimizer_ofit.zero_grad()
    optimizer_drop.zero_grad()
    train_loss.backward()
    train_loss_drop.backward()
    optimizer_ofit.step()
    optimizer_drop.step()

内容的提问来源于stack exchange，提问作者z.ghane