RuntimeError：尚未为torch.cuda.LongTensor类型实现_thnn_mse_loss_forward

Question

我正在使用PyTorch，但出现错误！我的错误代码如下：

for train_data in trainloader:
    example_count += 1
    if example_count == 100:
        break
    optimer.zero_grad()
    image, label = train_data
    image = image.cuda()
    label = label.cuda()
    out = model(image)
    _, out = torch.max(out, 1)
    # print(out.cpu().data.numpy())
    # print(label.cpu().data.numpy())
    # out = torch.zeros(4, 10).scatter_(1, out.cpu(), 1).cuda()
    # label= torch.zeros(4, 10).scatter_(1, label.cpu(), 1).cuda()
    l = loss(out, label)
    l.bakeward()
    optimer.setp()
    j += 1
    count += label.size(0)
    acc += (out == label).sum().item()
    if j % 1000 == 0:
        print(j + ' step:curent accurity is %f' % (acc / count))

追溯：

    Traceback (most recent call last):
  File "VGG??.py", line 178, in <module>
    utils.train(testloader,model)
  File "VGG??.py", line 153, in train
    l=loss(out,label)
  File "/home/tang/anaconda3/lib/python3.7/site-packages/torch/nn/modules/module.py", line 489, in __call__
    result = self.forward(*input, **kwargs)
  File "/home/tang/anaconda3/lib/python3.7/site-packages/torch/nn/modules/loss.py", line 435, in forward
    return F.mse_loss(input, target, reduction=self.reduction)
  File "/home/tang/anaconda3/lib/python3.7/site-packages/torch/nn/functional.py", line 2156, in mse_loss
    ret = torch._C._nn.mse_loss(expanded_input, expanded_target, _Reduction.get_enum(reduction))
RuntimeError: _thnn_mse_loss_forward is not implemented for type torch.cuda.LongTensor

我得到一个答案，在这里， Pytorch RuntimeError：“ host_softmax”未针对“ torch.cuda.LongTensor”实现

但是我不知道如何解决这个问题。

Answer 1

查看以下文档torch.max()：

torch.max(input, dim, keepdim=False, out=None) -> (Tensor, LongTensor)

返回给定维度dim 中输入张量每行的最大值。第二个返回值是找到的每个最大值（argmax）的索引位置。

你的代码行

_, out = torch.max(out, 1)

获取模型的浮点out预测，并用于torch.max()返回最大预测的argmax = 类型long int 索引。
您收到的错误消息是您的loss函数（我猜您正在使用 softmax 的交叉熵）不支持long类型的第一个参数。
此外，你不能通过 argmax 求导数 - 所以我认为使用转换out为 float.to(torch.float)也不会给你带来任何好处。
您正在使用的损失函数内的 softmax 函数正在为您处理 argmax。