使用Catalyst处理表格分类任务时数据类型冲突报错如何解决

错误核心原因 #

你当前用的nn.CrossEntropyLoss要求：当模型输出为N类的原始logits时，传入的标签必须是torch.long类型的类别索引（二分类场景下就是取值为0/1的整数），你当前把标签转换成了float32类型，所以触发类型不匹配报错。
你之前把标签改成long类型仍然报错，是因为模型最后输出层加了ReLU激活，nn.CrossEntropyLoss需要输入未经过激活的原始logits，ReLU会截断负的输出值，引发数值问题甚至报错。

方案1：最小改动适配CrossEntropyLoss（推荐） #

步骤1：修正标签数据类型 #

把创建标签tensor的代码替换为：

# 把布尔型target转成int64，对应pytorch的long类型
tt = torch.tensor(train['target'].values.astype('int64'))
vt = torch.tensor(val['target'].values.astype('int64'))

步骤2：移除模型最后一层的ReLU激活 #

把模型的out层修改为：

self.out = nn.Linear(in_features= 5, out_features= 2)

不需要套Sequential加ReLU，CrossEntropyLoss内部会自动处理归一化逻辑。

步骤3：可选优化回调参数 #

二分类任务不需要计算top2准确率，你可以把AccuracyCallback的topk_args调整为(1,)，避免无意义的计算：

dl.AccuracyCallback(input_key="logits", target_key="targets", topk_args=(1,)),

调整完以上内容即可正常训练。

方案2：切换为二分类专用损失函数 #

如果你不想修改标签类型，也可以换用二分类场景更常用的BCEWithLogitsLoss，改动如下：

步骤1：修改模型最后一层输出维度 #

self.out = nn.Linear(in_features= 5, out_features= 1)

步骤2：更换损失函数 #

criterion = nn.BCEWithLogitsLoss()

步骤3：调整回调适配单输出 #

callbacks=[
    dl.AccuracyCallback(input_key="logits", target_key="targets", threshold=0.5),
    dl.PrecisionRecallF1SupportCallback(
        input_key="logits", target_key="targets", num_classes=2, threshold=0.5
    ),
]

标签保持你原来的float32类型即可正常训练。

内容的提问来源于stack exchange，提问作者user9102437