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

Question

当我使用BCELoss 作为我的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 的形状是[1000, 10]，因为有10 目标类（在MNIST 数据集中），变量target 的形状是[1000]它包含测试批次的目标类（测试的批次大小设置为10）。那么，问题是如何应用BCELoss 作为CNN 网络的损失函数？

附言我使用的数据集是由torchvision 库提供的MNIST 数据集。

附言The answer provided to a similar question here 没有针对我的情况提出解决方案。

Answer 1

您声称的answer 没有提出解决方案，实际上解决了您的问题：

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

回顾一下，torch.nn.BCELoss() 旨在用于对每个输入示例的c 独立 二进制属性进行分类任务。另一方面，您的任务是将每个输出分类到c 互斥类中的一个。对于此任务，您需要不同的损失，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到 c 互斥类之一，则每个示例只需要一个整数标签（就像您在 mnist 示例中一样）。但是，如果要将每个示例分类为 c 独立的二进制属性，则需要为每个示例提供 c 二进制标签 - 这就是 pytorch 给您错误的原因。