fastai+Hugging Face实现9类序列多分类报Target越界错如何解决?

错误根因 #

你遇到的IndexError: Target 6 is out of bounds错误和标签编码无关，核心原因是你初始化DistilBERT模型时，分类头仍然沿用了二分类场景的输出维度配置：默认输出2个类别的概率，只能识别0、1两个标签值，遇到≥2的标签自然会触发越界报错。

修复步骤 #

• 第一步，调整模型初始化参数：加载Hugging Face序列分类模型时，显式传入num_labels=9参数，示例代码如下：

  from transformers import AutoModelForSequenceClassification
  model = AutoModelForSequenceClassification.from_pretrained("distilbert-base-uncased", num_labels=9)
  

  这个参数会自动修改模型最后一层分类头的输出维度为9，无需手动调整模型架构，其余训练逻辑无需改动。
• 第二步，校验标签映射规则：确保你的9个分类标签映射后是0~8的连续整数值，不存在跳号、缺号的情况，否则仍然可能触发同类越界错误。
• 不需要对标签做独热编码：多分类场景下默认使用的交叉熵损失，原生支持整数类标作为输入，独热编码反而会导致损失计算报错。

现成Pipeline方案 #

可以直接使用fastai生态的blurr工具库，它已经封装好了fastai与Hugging Face Transformers生态的全流程适配逻辑，多分类场景下只需在初始化时指定分类数量，无需手动实现Dataset类的适配逻辑，训练流程和普通fastai常规任务的使用逻辑完全一致。

内容的提问来源于stack exchange，提问作者connor449