目标和输入必须具有相同数量的元素答案

【问题标题】：Target and input must have the same number of elements目标和输入必须具有相同数量的元素
【发布时间】：2018-06-03 20:53:51
【问题描述】：

我的输入标签大小是torch.size([30, 2, 96, 96, 96])

我的标签大小是torch.size([30, 96, 96, 96])，我将它们提供给我的损失函数，如下所示：

loss = F.binary_cross_entropy(F.sigmoid(output),labels,torch.FloatTensor(CLASS_WEIGHTS).cuda())

当我运行它时，我得到了

Value error:Target and input must have the same number of elements.target nelement(26542080) != input nelement(53084160)

我在这里有点困惑。我得到的输入值是目标值的两倍，因为它将[30,96,96] 乘以类数，但我不确定为什么会这样，以及如何纠正它。任何建议都会有所帮助，在此先感谢。

【问题讨论】：

标签： python pytorch

【解决方案1】：

与采用目标标签值的torch.nn.CrossEntropyLoss 层不同（即，如果input 的形状为(30, C, 96, 96, 96) 和C 类数，target 必须是(30, 96, 96, 96)），torch.nn.functional.binary_cross_entropy() 需要input 和 target 具有相同的形状（即 target 的形状 (30, C, 96, 96, 96)），因此它需要目标标签的 one-hot 表示。

除非您选择torch.nn.CrossEntropyLoss，否则您有多种方法可以一次性使用您的目标标签（例如，请参阅此thread）。个人解决方案：

def to_one_hot(x, C=2, tensor_class=torch.FloatTensor):
    """ One-hot a batched tensor of shape (B, ...) into (B, C, ...) """
    x_one_hot = tensor_class(x.size(0), C, *x.shape[1:]).zero_()
    x_one_hot = x_one_hot.scatter_(1, x.unsqueeze(1), 1)
    return x_one_hot

# Demonstration:
num_classes = 2
labels = torch.LongTensor(30, 96, 96, 96).random_(0, num_classes)
one_hot_labels = to_one_hot(labels, C=num_classes)
print(one_hot_labels.shape)
# > torch.Size([30, 2, 96, 96, 96])

【讨论】：