当我使用 BCELoss 作为神经网络的损失函数时，遇到了 ValueError: Target and input must have the same number of elements 错误。
这是我测试阶段的代码（这是一个相当典型的测试阶段代码）：
network.eval()test_loss = 0correct = 0with 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() # 错误发生在这里 _, predicted = torch.max(output.data, 1) correct += (predicted == target).sum().item()变量 output 的形状是 [1000, 10]，因为有 10 个目标类别（在 MNIST 数据集中），变量 target 的形状是 [1000]，因为它包含了测试批次的目标类别（测试的批次大小设置为 10）。那么，问题是如何将 BCELoss 应用于 CNN 网络的损失函数？
p.s. 我使用的数据集是 torchvision 库提供的 MNIST 数据集。
p.s. 这里提供的类似问题的答案 并没有为我的情况提出解决方案。
回答：
你声称的 答案 实际上确实解决了你的问题：
你的目标不完整！如果有多个类别，你应该使用
torch.nn.CrossEntropyLoss而不是torch.nn.BCELoss()
总结一下，torch.nn.BCELoss() 旨在用于对每个输入示例分类 c 个 独立 的二进制属性。你所面临的任务是将每个输出分类为 互斥的 c 个类别之一。对于这个任务，你需要一个不同的损失函数，torch.nn.CrossEntropyLoss()。
不同的任务，由不同的损失函数代表，需要不同的监督（标签）。如果你想将每个示例分类为 c 个互斥类别之一，你只需要为每个示例提供一个整数标签（就像你在 mnist 示例中所做的那样）。然而，如果你想将每个示例分类为 c 个独立的二进制属性，你需要为每个示例提供 c 个二进制标签——这就是为什么 pytorch 会给你一个错误的原因。
