RESNet18处理float32单通道数据时target类型报错如何解决

这个报错是PyTorch交叉熵损失的类型校验触发的：nn.CrossEntropyLoss要求传入的第二个参数target（也就是样本标签）必须是torch.long（int64）类型的类别索引值，但你当前数据加载返回的标签是float32类型，因此类型不匹配。
注意：你使用的float32类型的图像输入本身是符合ResNet18的输入要求的，不需要调整输入数据的类型，仅需要调整标签的类型即可。

可以选择以下任意一种方式修复：

• 方案1：在训练步骤中临时转换标签类型（改动最小，适配性最强）
  修改你代码中的training_step方法，拿到标签后先转换为long类型：

def training_step(self, batch, batch_no):
  # implement single training step
  x, y = batch
  # 新增标签类型转换逻辑
  y = y.long()
  logits = self(x)
  loss = self.loss(logits, y)
  return loss

如果你的代码后续加了验证、测试步骤，对应步骤里的标签也要做同样的转换。

• 方案2：在数据集定义中统一转换标签类型
  如果你使用自定义的PyTorch Dataset加载数据，可以在__getitem__方法返回标签的时候，直接将标签转为long类型，从数据源层面解决类型不匹配问题，不需要在每个训练/验证步骤重复写转换逻辑：

def __getitem__(self, index):
    # 原有加载图像、读取标签的逻辑
    img = ... # float32类型的单通道图像
    label = ... # 原始读取的float32类型标签
    # 新增转换逻辑
    label = label.long()
    return img, label

内容的提问来源于stack exchange，提问作者DLH