在使用交叉熵損失函數的時候，target的形狀應該是和label的形狀一致或者是只有batchsize這一個維度的。

如果target是這樣的【batchszie，1】就會出現上述的錯誤。

改一下試試，用squeeze（）函數降低緯度，

如果不知道squeeze怎么用的，

可以參考這篇文章。pytorch下的unsqueeze和squeeze用法

這只是一種可能的原因。

補充：pytorch使用中遇到的問題

1. load模型參數文件時，提示torch.cuda.is_available() is False。

按照pytorch官方網頁又安裝了一次pytorch，而不是直接使用清華源，執(zhí)行pip install torch，暫時不知道為什么。

2. 使用CrossEntropyLoss時，要求第一個參數為網絡輸出值，FloatTensor類型，第二個參數為目標值，LongTensor類型。否則

需要在數據讀取的迭代其中把target的類型轉換為int64位的：target = target.astype(np.int64)，這樣，輸出的target類型為torch.cuda.LongTensor。（或者在使用前使用Tensor.type(torch.LongTensor)進行轉換）。

3.

RuntimeError: multi-target not supported at /pytorch/torch/lib/THCUNN/generic/ClassNLLCriterion.cu
loss += F.cross_entropy( scores, captions )

出錯原因：

scores, captions的維度與F.cross_entropy()函數要求的維度不匹配，

例如出錯的維度為scores=[batch, vocab_size], captions=[batch, 1]

解決：

loss += F.cross_entropy( scores, captions.squeeze() )

注，這個scores必須是N*C維，C指類別數。

4. pytorch訓練過程中使用大量的CPU資源

當我使用pycharm運行 (https://github.com/Joyce94/cnn-text-classification-pytorch ) pytorch程序的時候，在Linux服務器上會開啟多個進程，占用服務器的大量的CPU，在windows10上運行此程序的時候，本機的CPU和內存會被吃光，是因為在train.py中有大量的數據訓練處理，會開啟多個進程，占用大量的CPU和進程。

本機window10

linux服務器開啟了多個進程

Linux服務器占用大量CPU

在pytorch中提供了（http://pytorch.org/docs/master/multiprocessing.html）muliprocessing多進程管理，其中有Pool進程池、Process()等對進程進行管理，可能是我使用的方式不對，反正是沒有什么效果。

然而最簡單的也是最好的解決辦法 ：

torch.set_num_threads(int thread) ，可以很好的解決windows問題，參考（http://pytorch.org/docs/master/torch.html#parallelism） 然而，在linux服務器上還是有一些問題的，export OMP_NUM_THREADS = 1 可以解決Linux問題。

經驗證：export OMP_NUM_THREADS=1確實在pycaffe/pytorch中可以有效降低CPU使用率且提高程序運行速度，考慮可能是程序并不需要這么大的計算量，但是開了很多線程并行進行相同的計算，最后還需要同步結果，浪費了大量的計算量。

5. 在pytorch框架下編譯模塊的時候遇到 in module>

raise ImportError("torch.utils.ffi is deprecated. Please use cpp extensions instead.")
ImportError: torch.utils.ffi is deprecated. Please use cpp extensions instead.

解決：pytorch版本與其他庫的版本不匹配。我當時裝的是1.0.0，降低版本到0.4.0后問題解決。

6.pytorch設置GPU，os.environ['CUDA_VISIBLE_DEVICES']='X'要放在主程序的最前端，否則設置GPU可能無效。

以上為個人經驗，希望能給大家一個參考，也希望大家多多支持腳本之家。如有錯誤或未考慮完全的地方，望不吝賜教。