问题描述
我有一个网络，该网络输出大小为(batch_size,max_len,num_classes)的3D张量。我的真实真理是(batch_size,max_len)的形式。如果我确实对标签执行一次热编码，则其形状将为(batch_size,num_classes)，即max_len中的值是[0,num_classes]范围内的整数。由于原始代码太长，我编写了一个更简单的版本来再现原始错误。
criterion = nn.CrossEntropyLoss()
batch_size = 32
max_len = 350
num_classes = 1000
pred = torch.randn([batch_size,num_classes])
label = torch.randint(0,num_classes,[batch_size,max_len])
pred = nn.softmax(dim = 2)(pred)
criterion(pred,label)
pred和label的形状分别为torch.Size([32,350,1000])和torch.Size([32,350])
遇到的错误是
ValueError：预期的目标大小（32，1000），得到了torch.Size（[32，350，1000]）
如果我对标签进行一次热编码以计算损失
x = nn.functional.one_hot(label)
criterion(pred,x)
它将引发以下错误
ValueError：预期的目标大小（32，1000），得到了torch.Size（[32，350，1000]）
解决方法
在Pytorch documentation中，CrossEntropyLoss期望其输入的形状为(N,C,...)，因此第二维始终是类的数量。如果将preds的大小调整为(batch_size,num_classes,max_len)，则代码应该可以正常工作。