成功解决IndexError: Target 20 is out of bounds.

news2025/2/25 3:22:06

【PyTorch】成功解决IndexError: Target 20 is out of bounds.

在这里插入图片描述

🌈 个人主页：高斯小哥
🔥 高质量专栏：Matplotlib之旅：零基础精通数据可视化、Python基础【高质量合集】、PyTorch零基础入门教程👈 希望得到您的订阅和支持~
💡 创作高质量博文(平均质量分92+)，分享更多关于深度学习、PyTorch、Python领域的优质内容！（希望得到您的关注~）

🌵文章目录🌵

🚀一、引言
🤔二、问题的根源
💡三、解决方案探索
🔍四、代码示例：错误重现与修复
🤝五、期待与你共同进步

🚀一、引言

在PyTorch中，IndexError: Target 20 is out of bounds这个错误通常与F.cross_entropy损失函数的使用有关。当标签的数值超过了模型输出的类别数量时，类似于图1的错误就会出现。本文将深入探讨这个问题的根源，并提供相应的解决方案。

在这里插入图片描述

🤔二、问题的根源

首先，我们需要了解F.cross_entropy的工作原理。这个函数期望模型输出的是每个类别的未归一化概率（即logits），而标签是类别的索引（从0开始）。如果标签的数值超出了模型输出的类别数量，就会出现**“IndexError: Target 20 is out of bounds”**这样的错误。

这个问题的根源可能在于以下几个方面：

数据预处理不当：在数据预处理阶段，可能没有正确地将标签转换为从0开始的索引。
模型输出层配置错误：例如，全连接层的输出数量(输出20个类别的logits)与标签数量(21类)不匹配。

💡三、解决方案探索

要解决这个问题，我们可以从以下几个方面入手：

修正数据预处理：确保在数据预处理阶段，标签被正确转换为从0开始的索引。
调整模型输出层：确保全连接层的输出数量与标签数量一致。

🔍四、代码示例：错误重现与修复

下面是一个简单的代码示例，展示了如何重现和修复这个问题。

import torch
import torch.nn as nn
import torch.nn.functional as F

# 假设有一个分类任务，共有20个类别
num_classes = 20

# 模拟一些输入数据和标签
inputs = torch.randn(32, 10)  # 假设batch_size为32，每个样本有10个特征
labels = torch.randint(1, 21, (32,))  # 生成[1, 20]之间的随机整数作为标签

# 创建一个简单的线性分类器
model = nn.Linear(10, num_classes)

# 前向传播，得到模型的输出
outputs = model(inputs)

# 计算损失
# 这里会抛出IndexError: Target 20 is out of bounds错误，因为labels中可能包含大于或等于20的值
# loss = F.cross_entropy(outputs, labels)

# 修复错误：确保标签从索引0开始(先把上面计算损失的代码行注释掉)
labels = labels - 1

# 重新计算损失
loss = F.cross_entropy(outputs, labels)
print(loss)

在这个示例中，我们首先模拟了一些输入数据和标签。然后，我们创建了一个简单的线性分类器，并计算了损失。在第一次计算损失时，由于标签中可能包含大于或等于20的值，所以会抛出“IndexError: Target 20 is out of bounds”错误。为了修复这个错误，我们将所有标签整体减去1，使其限制在正确范围内（即0到19之间），然后重新计算损失。