二分类任务中BCELoss与模型输出维度不匹配报错咨询

你判断的没错，报错本质就是模型输出维度和BCELoss要求的输入维度不匹配。
BCELoss要求输入的预测值和标签的维度完全一致：当你做单标签二分类任务用BCELoss时，预测值应当是每个样本对应1个0~1之间的概率值（表示属于正类的概率），对应维度应为[batch_size, 1]或者[batch_size]。而你当前模型的输出维度是[64, 2]，标签维度是[64, 1]，维度不一致直接触发报错，移除squeeze解决不了核心问题。

方案1：保留BCELoss，调整模型输出维度 #

把最后一层全连接层fc的输出神经元数从2改为1，保证模型输出维度为[64, 1]，和标签维度匹配即可。
对应模型尾部可调整为：

x = self.wave_block6(x)
x = self.sigmoid(self.fc(x)) # fc输出神经元为1，输出形状[64,1]
# 若你的标签是形状为[64]的一维张量，再加squeeze，否则不需要
return x

损失函数仍使用torch.nn.BCELoss()即可。

方案2：保留fc层2维输出，更换匹配的损失函数 #

如果你需要输出2个值分别对应两个类别的预测概率，不用BCELoss，改用两类损失即可：

• 选择1：交叉熵损失torch.nn.CrossEntropyLoss()
  这个损失内置了Softmax计算，所以模型尾部不需要加sigmoid，直接返回fc层输出即可：

  x = self.wave_block6(x)
  x = self.fc(x) # 输出形状[64,2]
  return x
  

  注意对应标签需要是形状为[64]的一维张量，每个元素取值为0或1表示类别索引。
• 选择2：负对数似然损失torch.nn.NLLLoss()
  模型尾部把sigmoid换成log_softmax，输出对应两个类别的对数概率：

  x = self.wave_block6(x)
  x = torch.nn.functional.log_softmax(self.fc(x), dim=1)
  return x
  

  标签要求和CrossEntropyLoss一致，为形状[64]的类别索引张量。

内容的提问来源于stack exchange，提问作者dorien