我想知道为什么会出现这个错误。我的直觉告诉我，TensorDataset会将最后一列读取为标签，但如果我为标签输入了一个单独的数据集作为第二个参数，我不明白为什么它会这样做。此外，有人能详细解释一下独热编码是如何工作的吗？我该如何解决这个问题，因为我只希望每个项目有一个标签？
Error: return torch._C._nn.cross_entropy_loss(input, target, weight, _Reduction.get_enum(reduction), ignore_index)RuntimeError: 1D target tensor expected, multi-target not supported代码:
if __name__ == '__main__':inputs_file = pd.read_csv('dataset.csv')targets_file = pd.read_csv('labels.csv')inputs = inputs_file.iloc[1:1001].valuestargets = targets_file.iloc[1:1001].valuesinputs = torch.tensor(inputs, dtype=torch.float32)targets = torch.tensor(targets)dataset = TensorDataset(inputs, targets)val_size = 200test_size = 100train_size = len(dataset) - (val_size + test_size)# 将数据集划分为三个独特的随机子集training_data, validation_data, test_data = random_split(dataset, [train_size, val_size, test_size])batch_size = 50train_loader = DataLoader(training_data, batch_size, shuffle=True, num_workers=4, pin_memory=True)valid_loader = DataLoader(validation_data, batch_size*2, num_workers=4, pin_memory=True)回答：
从评论讨论中我了解到，错误可以通过以下方式重现。
import torchfrom torch import nnfrom torch.utils.data import DataLoader, TensorDataset, random_splitinputs = torch.randn(999, 11, dtype=torch.float32)targets = torch.randint(5, (999, 1), dtype=torch.long)# 你需要这个来适应pandas，但对这个示例代码不需要# inputs = torch.tensor(inputs, dtype=torch.float32)# targets = torch.tensor(targets)dataset = TensorDataset(inputs, targets)val_size = 200test_size = 100train_size = len(dataset) - (val_size + test_size)# 将数据集划分为三个独特的随机子集training_data, validation_data, test_data = random_split(dataset, [train_size, val_size, test_size])batch_size = 50train_loader = DataLoader(training_data, batch_size, shuffle=True, num_workers=4, pin_memory=True)valid_loader = DataLoader(validation_data, batch_size*2, num_workers=4, pin_memory=True)# 猜测模型。稍后会详细介绍model = nn.Sequential( nn.Linear(11, 8), nn.Linear(8, 5),)loss_func = nn.CrossEntropyLoss()for features, labels in train_loader: out = model(features) loss = loss_func(out, labels) print(f"{loss = }") break解决方案1
在循环体内添加labels.squeeze(-1)，如下所示
for features, labels in train_loader: out = model(features) labels = labels.squeeze() loss = loss_func(out, labels) print(f"{loss = }") break解决方案2
最初用以下方式扁平化你的目标
targets = torch.tensor(targets[:, 0])回应
现在我得到了这个错误：RuntimeError: mat1和mat2的形状无法相乘（11×1 和 11×8）我还应该补充说，我使用了一个大小为8的隐藏层，并且我有5个类别
我的架构是对你所使用的猜测，但随着上述代码通过目标重塑解决，我需要更多信息才能提供更多帮助。
或许一些文档可以帮助？CrossEntropyLoss 示例代码显示目标的预期形状为N，而不是N, 1或N, classes。
