PyTorch旧版本中torch.int64转torch.LongTensor失败求助

我碰到过不少旧版PyTorch的这类类型兼容问题，其实核心是老版本对类型标识的检查比新版更严格——虽然torch.int64和torch.long本质是同一数据类型，但有些损失函数（比如分类任务常用的交叉熵损失）会严格要求目标张量的类型标识为Long，而非Int64，这就导致了你遇到的报错。

先看你的核心问题：你尝试用.long()转换但没成功，大概率是因为旧版中这个方法的返回值需要显式重新赋值，或者转换时机不对。给你几个靠谱的解决方案：

方案1：在张量创建时直接指定Long类型 #

把创建Ytrain_的代码改成这样，从根源上生成正确类型的张量：

Ytrain_ = torch.from_numpy(y_train.values).type(torch.LongTensor).view(1, -1)[0]

或者更简洁地在from_numpy时指定dtype：

Ytrain_ = torch.from_numpy(y_train.values, dtype=torch.long).view(1, -1)[0]

方案2：确保转换操作生效并重新赋值 #

如果你还是想保留原来的创建逻辑，那要确保.long()的转换结果被正确赋值——旧版PyTorch中.long()返回的是新张量，不是原地修改，所以必须把结果重新赋值给Ytrain_：

Ytrain_ = torch.from_numpy(y_train.values).view(1, -1)[0]
# 显式转换并重新赋值，确保这行代码没有被后续逻辑覆盖
Ytrain_ = Ytrain_.long()
# 或者用type()方法更明确
# Ytrain_ = Ytrain_.type(torch.LongTensor)

loss = loss_fn(Ypred, Ytrain_) # calc loss on the prediction

验证方法 #

修改后可以用print(Ytrain_.dtype)确认类型，旧版中应该显示torch.int64（这和torch.long是完全等价的），但损失函数会认可这个类型标识。

另外要注意：有些旧版损失函数不仅要求目标是Long类型，还要求目标的形状和预测输出Ypred匹配，你可以顺便检查下两者的形状是否一致（比如Ypred是(batch_size, num_classes)，目标应该是(batch_size,)这样的一维张量）。

内容的提问来源于stack exchange，提问作者Nothing here