Question

当我使用BCELoss作为神经网络的损失函数时，得到ValueError: Target and input must have the same number of elements。

这是我的测试阶段代码（这是一个非常典型的测试阶段代码）：

network.eval()
test_loss = 0
correct = 0
with torch.no_grad():
    for data, target in test_loader:
        data, target = data.to(device), target.to(device)

    output = network(data)
    output = output.to(device)
    test_loss += loss_function(output, target).item() # error happens here
    _, predicted = torch.max(output.data, 1)
    correct += (predicted == target).sum().item()

变量output的形状为[1000, 10]，因为存在10个目标类（在 MNIST 数据集中），变量{{ 1}}为target，因为它包含测试批次的目标类别（测试的批次大小设置为[1000]）。因此，问题是如何将10用作BCELoss网络的损失函数？

p.s。我使用的数据集是CNN库提供的 MNIST 数据集。

p.s。 The answer provided to a similar question here并未针对我的情况提出解决方案。

Answer 1

您声称的answer并没有提出解决方案，实际上确实解决了您的问题：

您的目标不完整！如果有多个类，则应使用torch.nn.CrossEntropyLoss而不是torch.nn.BCELoss()

回顾一下，torch.nn.BCELoss()用于按照每个输入示例对c 独立个二进制属性进行分类的任务。另一方面，您的任务是将每个输出分为c互斥类之一。对于此任务，您需要另外损失torch.nn.CrossEntropyLoss()。
由不同损失函数表示的不同任务需要不同的监督（标签）。如果要将每个示例分类为c互斥类之一，则每个示例仅需要一个整数标签（如mnist示例中的示例）。但是，如果要将每个示例分类为c个独立的二进制属性，则每个示例都需要c二进制标签-这就是pytorch给您错误的原因。

PyTorch-BCELoss：ValueError：目标和输入必须具有相同数量的元素

1 个答案: