RuntimeError:0D or 1D target tensor expected, multi-target not supported&& 神经网络中label出现的错误

在编辑神经网络的时候出现这样的问题，记录自己的一个问题：

这个问题一般出现在损失函数上面, torch.nn提供很多损失函数MSELoss,L1Loss,CrossEnropyLoss,BCELoss,BCEWithLogitsLoss等。这些是比较常用的，其中MSELoss、L1Loss、CrossEntropyLoss、BCELoss一般用于2分类，这些分类一般在下列使用形式的时候：

loss=nn.MSELoss().cuda()
criterion=loss(output,target)

这个target是可以理解为是个0-1分布（像是【0，1，0，1，0，0，…】），不管是你转化的还是函数帮你自动转化的，你的target.shape一般是（datasize,）或是（1，datasize）这就是错误里面说的 0D和1D。

解决方法：
1.如果你是二分类的话，你可以对自己的label转化为上面说的0-1分布。这里给个例子。

#二分类
def one_hot(target):
	#target is a list
	#我们设第一个label为0标签，这个取决于你，你可以自己设定一个labelname
	temp=target[0]
	label=[]
	for i in range(len(target)):
		if target[i]==temp:
			label.append(0)
		else:
			label.append(1)
	return label

2.如果你的是多分类（or多标签2分类），你可以将你的损失函数改为BCEWithLogitsLoss ||nn.MultiMarginLoss ||nn.MultilabelMarginLoss
具体用法可以参考
这里不做loss函数的使用讨论。

这里仅说我遇到的问题：

target size (torch.size([16, 1])) must be the same as input size (torch.size([16, 183]))

你有可能遇到类似上面的报错，还是你的label处理的问题，一般只要你处理成0-1分布就不会有问题（当然有的希望做到一些浓度分析的请根据你自己的方式来设定label）。

解决方法：
1.你已经分类好label了，可能需要自己使用torch.reshape()来调节你的shape

2.如果根本是label分类的问题，这里给出一个例子：

import re
#我用的是一个混合物的数据集
#name_list是你的labelname。numclass是你要分几类
def labelize(name_list,num_class=182):
    #因为我这里的name_list前面182个就是我的类别names（单质）
    label=[]
    for i in range(len(name_list)):
        temp=np.zeros(num_class)
        if i<num_class:
            temp[i]=1
            label.append(temp)
        else:
        #extract label
        #这里是我的其他类别名字是类似'[1,100,143]',其中1是代表属于第一类，100属于100类，142属于142类，然后我用re将其从str提取出来，你可以根据你的label名字改变，或者类似我一样先重命名再labelize。
            result=name_list[i][1:-1]
            result=re.split(',',result)
            result=[int(i) for i in result]
        
       		#multi_label onehot
            temp=np.zeros(num_class)
            for k in result:
                temp[k]=1
            label.append(temp)
            
    return label

结果应该类似下面：

label=[(1,0,0,0,...),
	   (0,1,0,0,...),
	   ...,
	   (0,1,0,1,0,0,1,...)]
#label.shape应该是（dataseize，182）

3.如果你坚持使用自己的label还不想改动，或是不想用方便的方法。想自己写一个loss解决，也可以。
使用variable重写的
硬核一些的重写

这里补充一个Loss的参考，需要什么loss直接找名字就好了，需要如何改动也可以按照里面的重载
以上引用若原作者禁止转载，请留言我删除。
除此之外，转载请标明出处。