1. 出错代码行
计算交叉熵是出现异常提示：RuntimeError: multi-target not supported at /opt/conda/conda-bld/pytorch_1549635019666/work/aten/src/THNN/generic/ClassNLLCriterion.c:21
loss = criterion(prediction, target)
2 原因:
CrossEntropyLoss does not expect a one-hot encoded vector as the target, but class indices
pytorch 中计计算交叉熵损失函数时， 输入的正确 label 不能是 one-hot 格式。函数内部会自己处理成 one hot 格式。所以不需要输入 [ 0 0 0 0 1]，只需要输入 4 就行。
print(prediction.size())
print(target.size())
print("target = ", target)
loss = criterion(prediction, target)
# 输出给过如下
torch.Size([2, 145]) # 输入两个数据，每个数据的有145个值
torch.Size([2]) # target(ground true) 是两个值，每个数据一个值
target = tensor([4, 4]) # 两个数据具体的 target 值，都是4
3. 解决方法：
更改 dataloader 中 dataset 中 def __getitem__(self, index) 返回的 target 的内容（将 one hot 格式改成 数字格式 就行）。
如果 target 的size 不是一维的话，需要添加一行代码，如下：
target = target.squeeze() # 添加这一行，用于降维度（从 torch.Size([2, 1]) 降成torch.Size([2]) ） ，即 target 从[ [4], [4]] 降成 [ 4, 4 ]
loss = criterion(prediction, target)
4. 总结
pytorch 中使用神经网络进行多分类时，网路的输出 prediction 是 one hot 格式，但计算 交叉熵损失函数时，loss = criterion(prediction, target) 的输入 target 不能是 one hot 格式，直接用数字来表示就行（4 表示 one hot 中的 0 0 0 0 1）。
所以，自己构建数据集，返回的 target 不需要是 one hot 格式。