Colab运行神经网络遇RuntimeError：期望Long类型却得到Byte类型

这个错误的核心原因非常明确：PyTorch的CrossEntropyLoss（也就是你代码里的criterion）要求传入的目标标签必须是LongTensor（64位整数类型），但你当前传入的标签是ByteTensor（8位无符号整数类型）。

你提到相同代码在本地运行正常但Colab报错，大概率是因为两地环境的数据加载逻辑或PyTorch版本差异导致标签的默认类型不一样——比如本地加载数据时标签自动被转换成了Long类型，而Colab中数据加载后标签保留了Byte类型。这个问题和batch size完全无关，所以减小batch size自然解决不了。

具体解决方法 #

你只需要在传入损失函数前，把标签转换成Long类型即可，有几个常见的修改位置：

1. 在数据集加载阶段修改
   找到你自定义Dataset类的__getitem__方法，在返回标签前加上类型转换：

   # 假设原来的标签获取逻辑是这样的
   label = ... # 这里得到的是Byte类型的张量或数值
   label = torch.tensor(label, dtype=torch.long)
   return sample, label
   

2. 在训练循环中直接转换
   打开你报错的train_helper.py文件，在计算loss的代码前添加转换逻辑：

   # 原代码第109行之前
   labels = labels.long()
   if use_cuda:
       labels = labels.cuda()
   loss = criterion(outputs, labels)
   

3. 检查数据预处理环节
   确认一下你的数据加载脚本（比如读取标签文件的部分），是不是在Colab中读取到的标签是Byte类型（比如从图片或二进制文件读取时默认是uint8），这时候可以在读取后直接转换为int64类型。

补充说明 #

PyTorch的损失函数对输入类型有严格要求：

• CrossEntropyLoss的目标标签必须是类别的索引值，且类型为torch.long
• 如果是二分类场景用BCELoss，才会要求标签是torch.float类型

所以只要把标签的类型统一成LongTensor，这个错误就能解决啦。

内容的提问来源于stack exchange，提问作者shjk