我对Pytorch如何处理独热编码向量感到非常困惑。在这个教程中，神经网络会生成一个独热编码向量作为其输出。据我所知，教程中神经网络的示意结构应该如下：
然而，labels并不是独热编码向量格式。我得到了以下size
print(labels.size())print(outputs.size())output>>> torch.Size([4]) output>>> torch.Size([4, 10])奇迹般地，当我将outputs和labels传递给criterion=CrossEntropyLoss()时，竟然没有错误。
loss = criterion(outputs, labels) # 为什么没有错误？我的假设：
也许Pytorch会自动将labels转换为独热编码向量形式。因此，我尝试在将标签传递给损失函数之前将其转换为独热编码向量。
def to_one_hot_vector(num_class, label): b = np.zeros((label.shape[0], num_class)) b[np.arange(label.shape[0]), label] = 1 return blabels_one_hot = to_one_hot_vector(10,labels)labels_one_hot = torch.Tensor(labels_one_hot)labels_one_hot = labels_one_hot.type(torch.LongTensor)loss = criterion(outputs, labels_one_hot) # 现在它给我报错然而，我得到了以下错误
RuntimeError: multi-target not supported at /opt/pytorch/pytorch/aten/src/THCUNN/generic/ClassNLLCriterion.cu:15
那么，Pytorch不支持独热编码向量吗？Pytorch如何为两个张量outputs = [1,0,0],[0,0,1]和labels = [0,2]计算交叉熵？这对我来说完全没有意义。
回答：
PyTorch在其CrossEntropyLoss文档中说明
该标准期望一个大小为minibatch的一维张量的值的目标为类索引（0到C-1）
换句话说，它在CEL中概念上内置了你的to_one_hot_vector函数，并且不公开独热编码API。请注意，与存储类标签相比，独热编码向量在内存使用上效率较低。
如果你被给予独热编码向量并且需要转换为类标签格式（例如为了与CEL兼容），你可以像下面这样使用argmax：
import torch labels = torch.tensor([1, 2, 3, 5])one_hot = torch.zeros(4, 6)one_hot[torch.arange(4), labels] = 1 reverted = torch.argmax(one_hot, dim=1)assert (labels == reverted).all().item()