expected scalar type Long but found Float:NLLLoss 标签类型排查

简介: 本文详解 PyTorch 中 `NLLLoss` 报错“expected scalar type Long but found Float”的根因:**标签需为 `long` 类型整数类别,而非图像数据**。强调勿误将浮点图像转 `long`,而应在数据加载时对标签调用 `.long()`;推荐统一使用 `TensorDataset` 配对图像与标签,并校验 dtype、形状及批次一致性。配套工具 `j050608_nll_target_route` 可快速验证修复效果。(239字)

堆栈落在NLLLoss时应先查类别标签,不能把浮点图像也一起改成long。

对应这条排查路径的配套代码

运行配套示例 python -m j050608_nll_target_route:将图片与整数标签放在同一TensorDataset中,演示正确配对的分类训练批次。

j050608_nll_target_route 对应本文这一个问题的演示或检查步骤,具体行为是:将图片与整数标签放在同一TensorDataset中,演示正确配对的分类训练批次。下文仍保留检查依据和示例代码,可直接在自己的脚本中使用;也可以通过仓库取得同一份配套实现。

配套组件 j050608-nll-target-route 的源码与说明、wheel 下载在作者仓库中公开提供。它不是 PyTorch 官方依赖,也没有注册同名 PyPI 包。已有所需依赖的项目可在下载文件后安装:

python -m pip install --no-deps ./j050608_nll_target_route-0.1.0-py3-none-any.whl

--no-deps 保留项目原有依赖,不自动更换 torch、CUDA 或其他库。环境缺包时仍要按文章适用版本配置,安装配套组件本身不会修复驱动或硬件。

python -m j050608_nll_target_route

对照 j050608_nll_target_route 的输出验证:真实标签确为整数类别,图像dtype与权重一致,正常批次和尾批的样本标签保持对应。 不把合成输入演示通过等同于原项目故障已修复。

原帖在 NLLLoss(output, labels) 出错,图像与标签又分别使用两个 DataLoader:

RuntimeError: expected scalar type Long but found Float

Long 要求来自标签,不是来自整张图片

原题的堆栈进入 nll_loss,说明当时模型前向已经返回了结果。若把 images 也转 long,下一轮就会在浮点 Linear 中遇到另一种类型冲突。还要注意,训练样本数 42000 不等于每张图片的输入特征数,28×28 图像展平后应是 784。

同一句 Long/Float 错误也可能在 Linear 中因整数输入触发,那时要改特征;本题堆栈进入 NLLLoss,应先看 labels。这里要分开处理特征和目标。图像进 Linear 时需要与权重一致的浮点数;NLLLoss 的目标是整型类别索引。先在损失调用前检查:

print("images:", images.shape, images.dtype)
print("output:", output.shape, output.dtype)
print("labels:", labels.shape, labels.dtype, labels[:8])

如果标签确实是 0 到 9 的整数编号,只是存成 float,就在数据准备或取 batch 时转换 labels = labels.long();不要对整组图像调用 .long()。若标签是小数、概率或字符串,应先确认编码含义,不能截断成整数。

原帖末层是 Softmax,而 NLLLoss 需要的是对数概率。可把末层替换成 nn.LogSoftmax(dim=1),继续用 NLLLoss;或删去 Softmax,用原始 logits 配 nn.CrossEntropyLoss()。两种方案任选其一。

另外应把图像和标签组成同一个数据集,防止两个 loader 独立打乱后错配。Xt_train 与 Yt_train 是原题训练张量:

from torch.utils.data import TensorDataset, DataLoader
train_loader = DataLoader(
    TensorDataset(Xt_train.float(), Yt_train.long()),
    batch_size=64, shuffle=True,
)

进入全连接层前按 images = images.flatten(1) 保留 batch 维,每张 28×28 图像对应 784 个特征。验证同一个 batch 的输出为 [N,10],标签为 [N],loss 能反向传播。

把类型、配对和损失一起固定下来

下面是一段可以独立运行的简化训练流程:8 张合成灰度图片与 8 个类别编号放在同一个 TensorDataset,打乱时仍保持配对。采用原始 logits 加 CrossEntropyLoss,因此末尾没有 Softmax:

import torch
from torch import nn
from torch.utils.data import TensorDataset, DataLoader
torch.manual_seed(9)
images_all = torch.randn(8, 1, 28, 28)
labels_all = torch.tensor([0, 1, 2, 3, 4, 5, 6, 7], dtype=torch.long)
loader = DataLoader(TensorDataset(images_all, labels_all), batch_size=4, shuffle=True)
net = nn.Sequential(nn.Flatten(), nn.Linear(784, 28), nn.ReLU(), nn.Linear(28, 10))
opt = torch.optim.SGD(net.parameters(), lr=0.003)
for images, labels in loader:
    opt.zero_grad()
    logits = net(images)
    assert images.dtype == net[1].weight.dtype
    assert labels.dtype == torch.long and labels.shape == (images.shape[0],)
    loss = nn.CrossEntropyLoss()(logits, labels)
    assert torch.isfinite(loss)
    loss.backward()
    opt.step()
    print("batch/loss:", tuple(logits.shape), float(loss.detach()))

如果继续使用 NLLLoss,修改为 LogSoftmax 输出;不要把普通 Softmax 的概率交给它。两种损失组合可以分别实现同类分类目标,但各自的输入约定必须完整遵守。

真实标签在 .long() 前还应确认它们确实是整数编号。可比较 labels 与 labels.round():若原来存在 1.7 这样的值,需要追查编码或读表步骤,直接转 long 会静默截断。若标签是 [N,1],确认每行就是单个类别后才用 squeeze(1);不要对含 one-hot 的 [N,10] 随意压缩。

验收时记录一批图片和标签的样本索引,确认同一数据源配对;再检查输出 [N,10]、有限 loss 与非空权重梯度。仅把异常从 Long 改成 Float,并不能说明分类流程已经正确。

使用 nll_target_route.py 时,把示例范围与真实故障验证分开:真实标签确为整数类别,图像dtype与权重一致,正常批次和尾批的样本标签保持对应。

参考:原始求助帖;技术依据:NLLLoss(2.5)、CrossEntropyLoss(2.5)、PyTorch 数据加载(2.5)。

相关文章
|
8天前
|
Linux Go 开发工具
手机上跑 DeepSeek 智能体:开源安卓客户端 DSH Go 安装与使用指南
DSH Go 是一款开源安卓客户端,将 DeepSeek Harness 智能体引擎装进手机:免 Root、免 Termux,一键安装即用;支持本机运行(内置 Ubuntu+Node.js)或远程接管电脑会话;具备插话打断、过程折叠、屏幕操控、端到端加密分享等特色功能,真正实现智能体“口袋化”。
9145 24
|
8天前
|
弹性计算 人工智能 API
Codex超详细入门指南(下载·安装·登录·上手,全版本覆盖,2026最新版)
建议收藏本教程,2026 全年各版本更新随时回来查阅。如果你在搭建过程中遇到任何问题,欢迎结合 阿里云工单系统 提交技术支持请求,或在 阿里云开发者社区 搜索 Codex 相关话题交流。 祝你编码愉快,效率翻倍!
2702 14
|
3天前
|
人工智能 安全 应用服务中间件
NGINX 爆出两处高危漏洞 可导致未经身份验证的远程代码执行
NGINX曝出两个高危漏洞(CVE-2026-123633和CVE-2026-123007),CVSS 9.2分,均属HTTP/2内存安全缺陷,无需认证即可远程执行代码。影响自2015年起的多个版本,静态站点亦受威胁。修复版本为开源版1.30.7/1.31.9。(239字)
1297 0
NGINX 爆出两处高危漏洞 可导致未经身份验证的远程代码执行
|
6天前
|
传感器 安全 区块链
Windows 电脑运行安卓应用教程:开源工具 ApkStart 双击 APK 即装、独立窗口运行
ApkStart 是一款开源Windows工具,让安卓APP像原生软件一样运行:双击APK即安装、生成真实图标、独立窗口启动、开始菜单可搜索。无需传统模拟器,内置QEMU运行时,支持数据互通、ARM兼容与命令行操作。(239字)
|
10天前
|
人工智能 前端开发 API
阿里云Qwen4-Max 大模型详解:定位、特征、能力、适用场景与相对Qwen3-Max差异解析
2026年11月11日,阿里发布第四代旗舰模型Qwen4-Max预览版,首发千问AI平台Token Plan并接入千问办公、Qoder等入口。该版本聚焦知识理解、世界感知、编程与Agentic四项升级,主打复杂编程、专业办公、前端设计与专业软件操作等真实任务。预览期为11月11日10:00至11月25日24:00,仅支持Token Plan调用,到期后模型标识下线;限时2折、新用户再享5折,最低1折可体验。
|
10天前
|
JSON 前端开发 API
阿里云最新Qwen4-Max大模型介绍:模型定位、特征、能力、适用场景解析
2026 年 11 月 11 日,阿里发布第四代旗舰模型Qwen4-Max预览版,首发千问 AI 平台 Token Plan,并同步接入千问办公、Qoder 等入口。该版本聚焦知识理解、世界感知、编程与 Agentic 四项升级,主打复杂编程、专业办公、前端设计与专业软件操作。预览期至 11 月 25 日 24:00,到期后模型标识下线;限时 2 折、新用户再享 5 折,最低 1 折可体验。
|
23天前
|
Linux 开发工具 iOS开发
Codex保姆级教程(下载+安装+登录+使用,含所有版本,2026最新)
Codex是OpenAI推出的开源AI编程智能体,本地运行,可理解整个代码库,支持自然语言指令改代码、执行命令、跑测试、修Bug,兼容Win/macOS/Linux。(239字)
11159 59
|
6天前
|
人工智能 弹性计算 开发工具
零成本玩各大模型!DeepSeek Harness dsh-our-free-model 插件,13 个厂商模型直接用
总结一下:装这个插件,你不用注册、不用绑卡、不用填一个 Key,就能在 DeepSeek Harness 里用上 DeepSeek V4.1 Flash、Kimi K3 这一批前沿模型,而且是白嫖的、还不限量。三步搞定:下载插件,复制包含 `package.json` 的插件目录路径,在「添加插件」里粘贴路径安装并重启。无论是在阿里云 ECS 上通过命令行部署的 Web 版,还是本地的 Electron 桌面端,都能顺利跑通,快速搭建一套零成本的免费模型使用环境。
1329 1
|
4天前
|
人工智能 弹性计算 IDE
Codex超详细入门指南(下载·安装·登录·上手,全版本覆盖,2026最新版)
适合团队落地代码规范,每次提交自动生成评审报告,降低人工CR工作量。同时支持自定义技能脚本,接入团队内部SDK说明文档,让Codex生成符合团队编码规范的代码。Codex三大客户端覆盖本地开发、服务器远程编码、自动化流水线场景,搭配阿里云百炼的Token Plan、Coding Plan,能够低成本搭建稳定可控的AI编码助手。新手建议先从IDE插件入手,熟悉交互逻辑,再尝试CLI版本部署在阿里云ECS,实现云上项目远程编码、批量脚本处理。只要按照步骤完成环境准备、版本选型、密钥对接、项目初始化,就可以把Codex融入日常开发流程,大幅提升代码编写、问题排查、项目重构的效率。
949 0
|
9天前
|
Linux API iOS开发
【DSH】DeepSeek Harness新手保姆教程(下载+安装+配置+使用,2026最新实测)
DeepSeek Harness(dsh)是DeepSeek AI开源的智能体框架,秉持“一切皆插件”理念,支持读文件、改代码、跑命令、处理表格、联网搜索等操作。免费开源,兼容Windows/macOS/Linux,提供桌面端与网页端,可灵活安装插件扩展能力。