你遇到的这个CUDA断言错误在PyTorch多分类任务里很常见，结合你的描述和代码，我帮你梳理几个最可能的原因和排查方向：

1. 标签索引不匹配（最可能的核心原因） #

你的任务是9分类，原始输出类别是1-9，但PyTorch的CrossEntropyLoss要求标签必须是从0开始的连续索引（也就是0-8），而不是1-9。如果你的验证集标签里还存在9这个值，模型输出的logits维度是9（对应0-8类），此时标签9会超出索引范围，直接触发CUDA设备端的断言错误——这也是"训练正常但验证出错"的典型场景（比如训练集标签已经转成0-8，但验证集没同步处理）。

你可以先快速验证这个点：

# 打印验证集标签的最小值和最大值，确认是否超出0-8范围
print("Val labels min:", torch.min(your_val_labels_tensor))
print("Val labels max:", torch.max(your_val_labels_tensor))

如果最大值是9，你需要把所有标签统一减1，转成0-8的索引后再输入模型。另外你的代码里计算类别权重时用了classes=np.array([0,1,2,3,4,5,6,7,8])，这也侧面说明你应该把原始标签1-9转成0-8的索引格式。

2. 验证集输入的预处理不一致 #

你提到用collate_fn截断文本到1500长度，但要确认验证集的DataLoader是否和训练集用了同一个collate_fn。如果验证集的文本没有被截断，导致输入序列过长，可能会触发显存相关的断言错误（不过你的错误是在print(outputs)时触发，更偏向标签问题，但这个点也可以排查）。

3. 模型输入的维度/形状不匹配 #

虽然你检查了输入类型是long，但可以再确认验证集的输入维度是否和训练集完全一致：

• 比如gene_input和variance_input的形状：你的模型里对这两个输入用了squeeze(1)，如果验证集的这两个输入维度和训练集不一样（比如训练集是(batch_size,1)，验证集是(batch_size,)），squeeze后会导致特征维度错误，进而在拼接时出问题，触发断言。

你可以在验证循环里临时添加打印代码：

print("Text input shape:", text_input.shape)
print("Gene input shape:", gene_input.shape)
print("Variance input shape:", variance_input.shape)

对比训练集的输入形状，确保两者完全一致。

4. 启用CUDA DSA查看更详细的错误信息 #

你已经设置了TORCH_USE_CUDA_DSA=1，但需要重新运行代码才能看到更详细的设备端断言信息——它会明确告诉你是哪个断言失败了（比如"标签索引超出范围"、"特征维度不匹配"等），这能帮你一步定位问题根源。

快速修复尝试 #

先把验证集的标签统一减1转成0-8的索引格式，然后重新运行验证阶段。如果错误消失，那就是标签索引的问题；如果还有错误，再结合CUDA DSA输出的详细信息进一步排查。

另外，你用的RTX3050 4G显存，截断文本到1500是合理的，也可以尝试把batch_size再调小一点，避免显存波动导致的隐性问题。

备注：内容来源于stack exchange，提问作者atharva mishra