PyTorch训练使用BCELoss提示输入需在0-1区间 归一化错误求助

问题根因 #

你遇到的报错是BCELoss要求输入的预测值（即模型输出yhat）必须落在0~1区间内，和输入特征X是否归一化没有直接关系，你排查方向错了。另外你的数据加载代码存在多处维度和逻辑错误，也是潜在诱因。

具体错误点&修复方案 #

1. 模型输出不符合BCELoss要求 #

BCELoss是二分类交叉熵损失，仅接受经过sigmoid激活后的概率值作为预测输入，你当前模型最后一层没有加Sigmoid激活的话，输出值范围会是负无穷到正无穷，直接传入就会触发该报错。
修复方案二选一：

• 在模型的最后一层添加nn.Sigmoid()激活层，保证输出落在0~1区间
• 将损失函数替换为nn.BCEWithLogitsLoss()，该损失内置了sigmoid计算，数值稳定性更好，不需要修改模型结构。

2. 数据归一化逻辑维度混乱 #

你加载的CSV转置后self.X初始维度为(3024, 5000)，对应3024个样本、每个样本5000个采样点，你在归一化时的reshape操作直接将样本和特征维度反转，后续再次reshape后样本数变成了5000，完全不符合你的数据集实际情况。
修复后的归一化代码：

if normalize:
    # 按每个样本的采样点单独做min-max归一化，加1e-8防止除零
    min_X = np.min(self.X, axis=1, keepdims=True)
    max_X = np.max(self.X, axis=1, keepdims=True)
    self.X = (self.X - min_X) / (max_X - min_X + 1e-8)
    # 二分类任务不需要对标签做min-max归一化，直接删除以下两行标签归一化代码即可
    # min_y = np.min(self.y) 
    # max_y = np.max(self.y)
    # self.y = (self.y - min_y)/(max_y-min_y)

3. 标签处理逻辑错误 #

你先对标签做了归一化，之后又调用LabelEncoder对标签编码，属于逻辑冲突：

• 如果是二分类任务：标签本身就是0/1取值，不需要做归一化，也不需要用LabelEncoder编码，直接保留原始标签值即可。
• 如果是回归任务：不能使用BCELoss作为损失函数，需要替换为MSELoss、L1Loss等回归类损失，同时删除LabelEncoder相关代码。

4. 训练代码冗余风险 #

你固定将target reshape为(32,1)，当最后一个batch样本数不足32时会触发维度错误，修改为动态适配维度即可：

targets = targets.reshape(-1, 1)

内容的提问来源于stack exchange，提问作者Sara De Luca