原帖用 [[1,0]] 作为占位标签，组批后又 squeeze，但仍将一整行类别向量传给旧版交叉熵：
RuntimeError: multi-target not supported at /pytorch/aten/src/THCUNN/generic/ClassNLLCriterion.cu:15
两列 one-hot 不是可被 squeeze 删除的单例维
原题用 [1,0] 当占位标签，组批后每样本仍有两个值。维度长度为 2 时 squeeze(1) 不做任何改变。若每样本只属于一个类别，应还原类别索引；若真正允许多个正类，则不能用 argmax 丢失信息。
squeeze(1) 只能删除长度为 1 的维度，不能把 [N,2] 的 one-hot 自动变成 [N] 类别编号。
在损失前检查 target 的实际维数：
print("josh050608")
print("output:", output.shape, output.dtype)
print("target:", target.shape, target.dtype)
print("example:", target[:2])
若确认每行恰有一个 1、表示互斥类别，可以先去掉原题多余的单例维，再按类别轴取索引：
one_hot = target.squeeze(1) if target.ndim == 3 else target
assert one_hot.ndim == 2 and one_hot.shape[1] == output.shape[1]
assert ((one_hot == 0) | (one_hot == 1)).all()
assert (one_hot.sum(dim=1) == 1).all()
class_ids = one_hot.argmax(dim=1).long()
loss = criterion(output, class_ids)
更直接是在 Dataset 中为每张图返回单个类别编号，DataLoader 会组成 [N]。真正的多标签任务不能用 argmax 丢掉其他正类，应改用相应的 BCE 目标。
原帖输出已经 log_softmax，可改为原始 logits 配 CrossEntropyLoss，或保留 log_softmax 配 NLLLoss。现代交叉熵支持同形状浮点软目标，但原帖历史接口与整型 one-hot 不能据此视为有效输入。
另外，HWC 图像变 CHW 应交换轴，不能用 reshape 重排颜色。占位标签只能验证流程，不代表模型学到了真实类别。验证目标形状、标签语义与一个训练 step 后，再换真实标注训练。
用合法 one-hot 验证转换，再拒绝多正类
下面是 CPU 合成分类例子，明确检查每行只有一个 1，再得到 [N] long 目标；不使用原题的占位标注训练真实模型：
import torch
from torch import nn
one_hot = torch.tensor([[1, 0], [0, 1], [1, 0]], dtype=torch.long)
assert one_hot.ndim == 2 and one_hot.shape[1] == 2
assert ((one_hot == 0) | (one_hot == 1)).all()
assert (one_hot.sum(dim=1) == 1).all()
class_ids = one_hot.argmax(dim=1).long()
head = nn.Linear(4, 2)
logits = head(torch.randn(3, 4))
loss = nn.CrossEntropyLoss()(logits, class_ids)
loss.backward()
assert head.weight.grad is not None
assert class_ids.tolist() == [0, 1, 0]
multi_label = torch.tensor([[1, 1]])
assert not bool((multi_label.sum(dim=1) == 1).all())
print("class IDs/loss:", class_ids, loss.item())
若真实标注是一张图片多个类别，保留 [N,C] 浮点目标，按多标签任务选择 BCEWithLogitsLoss，并使用逐类阈值预测。不能仅为让旧 NLL 接口接受而 argmax 成单类。
数据集直接返回类别编号通常更清楚，loader 会自然组为 [N]。原题占位标签全部相同，只能用于管线测试；训练准确率即使上升，也无法说明学会了真实类别。
历史接口与现代软目标支持需按版本区分。无论选哪条路线，都要确认输出原始 logits 或对数概率与损失匹配，并验证输入图片 HWC→CHW 用换轴完成，避免标签错误消失后还保留图像布局错误。
参考：原始求助帖；技术依据：CrossEntropyLoss（2.5）、NLLLoss（2.5）、BCEWithLogitsLoss（2.5）、PyTorch 数据加载（2.5）。
