pytorch：“不支持多目标”错误消息

Posted 2023-02-16

【中文标题】pytorch：“不支持多目标”错误消息

【英文标题】：pytorch: "multi-target not supported" error message

【发布时间】：2019-12-11 01:03:32

【问题描述】：

所以我想对一些(3, 50, 50)图片进行分类。首先，我在没有数据加载器或批处理的情况下从文件中加载数据集，它起作用了。现在，在添加了这两个东西之后，我得到了那个错误：

RuntimeError: multi-target not supported at /pytorch/aten/src/THCUNN/generic/ClassNLLCriterion.cu:15

我在互联网上找到了很多答案，主要是使用target.squeeze(1)，但它对我不起作用。 我的目标批次如下所示：

tensor([[1, 0],
        [1, 0],
        [1, 0],
        [1, 0],
        [1, 0],
        [1, 0],
        [1, 0],
        [1, 0]], device='cuda:0')

这样不行吗？

这里是完整的代码（请注意，我只创建模型的结构，之后我将在其上应用完整和正确的数据集，因为我还没有完整的数据，只有 32 张图片并且没有标签，这就是为什么我添加torch.tensor([1, 0])作为所有标签的占位符）：

import torch
import torch.utils.data
import torch.nn as nn
import torch.nn.functional as F
import torch.optim
from torch.autograd import Variable

import numpy as np
from PIL import Image


class Model(nn.Module):
    def __init__(self):
        super(Model, self).__init__()

        # model structur:
        self.conv1 = nn.Conv2d(3, 10, kernel_size=(5,5),  stride=(1,1))
        self.conv2 = nn.Conv2d(10, 20, kernel_size=(5,5),  stride=(1,1))            # with mapool: output = 20 * (9,9) feature-maps -> flatten
        self.fc1 = nn.Linear(20*9*9, 250)
        self.fc2 = nn.Linear(250, 100)
        self.fc3 = nn.Linear(100, 2)

    def forward(self, x):
        # conv layers
        x = F.relu(self.conv1(x))   # shape: 1, 10, 46, 46
        x = F.max_pool2d(x, 2, 2)   # shape: 1, 10, 23, 23
        x = F.relu(self.conv2(x))   # shape: 1, 20, 19, 19
        x = F.max_pool2d(x, 2, 2)   # shape: 1, 20, 9, 9

        # flatten to dense layer:
        x = x.view(-1, 20*9*9)

        # dense layers
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        output = F.log_softmax(self.fc3(x), dim=1)
        return output


class Run:
    def __init__(self, epochs, learning_rate, dropout, momentum):
        # load model
        self.model = Model().cuda()

        # hyperparameters:
        self.epochs = epochs
        self.learning_rate = learning_rate
        self.dropout = dropout

    def preporcessing(self):
        dataset_folder = "/media/theodor/hdd/Programming/BWKI/dataset/bilder/"

        dataset = []
        for i in range(0, 35): 
            sample_image = Image.open(dataset_folder + str(i) + ".png")
            data = torch.from_numpy(np.array(sample_image)).type("torch.Tensor").reshape(3, 50, 50)
            target = torch.tensor([[1, 0]])
            sample = (data, target)
            dataset.append(sample)

        train_loader = torch.utils.data.DataLoader(dataset, batch_size=8)

        return train_loader

    def train(self):
        train_set = self.preporcessing()

        criterion = nn.CrossEntropyLoss()
        optimizer = torch.optim.SGD(self.model.parameters(), lr=self.learning_rate) 
        for epoch in range(self.epochs):
            epoch_loss = 0
            for i, data in enumerate(train_set, 0):

                sample, target = data
                # set data as cuda varibale
                sample = Variable(sample.float().cuda())
                target = Variable(target.cuda())
                # initialize optimizer
                optimizer.zero_grad()
                # predict
                output = self.model(sample)
                # backpropagation
                print(output, target.squeeze(1))
                loss = criterion(output, target.squeeze(1))    # ERROR MESSAGE: RuntimeError: multi-target not supported at /pytorch/aten/src/THCUNN/generic/ClassNLLCriterion.cu:15
                loss.backward()
                optimizer.step()
            
                epoch_loss += loss.item()

            print("loss after epoch [", epoch, "|", self.epochs, "] :", epoch_loss)


run = Run(10, 0.001, 0.5, 0.9)
run.train()

所以我希望它开始训练（当然因为标签错误而没有学到任何东西）， 提前致谢！

【参考方案1】：

对于nn.CrossEntropyLoss，目标必须是区间 [0, #classes] 中的单个数字，而不是 one-hot 编码的目标向量。您的目标是 [1, 0]，因此 PyTorch 认为您希望每个输入有多个标签，这是不受支持的。

替换你的 one-hot-encoded 目标：

[1, 0] --> 0

[0, 1] --> 1

【讨论】：

谢谢 :)，这行得通，但我为什么离开最后一个密集层 2 的输出（或将其更改为 123）时它的工作原理相同？我是否将 [0, 0, 0, 1] 替换为 4？

您的目标始终是整数，而不是向量。对于 2 个类，它可以是 0 或 1；对于 123，它介于 0 和 122 之间。 [0, 0, 0, 1] 将是 3，因为您从 0 开始计数，但我认为您明白了这个概念。如果这回答了您的问题，请考虑将其标记为正确的问题。

应该为标签编码目标分配目标 = torch.Tensor(y)