基本上，您缺少的概念
batch。
长话短说，每一项损失（以及通过网络的损失）的输入都需要
batch维度（即使用了多少个样本）。
逐步分解：
您的示例与文档
每个步骤都会与每个步骤进行比较，以使其更加清晰（顶部的文档，下面的示例）
输入项
input = torch.randn(3, 5, requires_grad=True)input = torch.randn(5, requires_grad=True)
在第一种情况下（docs），
5将创建
3具有要素的输入并使用示例。在您的情况下，只有
batch尺寸（
5样本），没有 必需的功能
。如果您打算使用一个具有
5功能的示例，则应该执行以下操作：
input = torch.randn(5, requires_grad=True)
LogSoftmax
LogSoftmax是跨要素维度完成的，您是跨批次进行的。
m = nn.LogSoftmax（dim = 1）＃应用于特征m = nn.LogSoftmax（dim = 0）＃应用于批处理
通常，此操作没有意义，因为样本彼此独立。
目标
因为这是多类分类，并且向量中的每个元素都代表一个样本，所以可以传递任意数量的数字（只要它小于要素的数量，在文档示例中为
5，
[0-4]就可以了）。
train = torch.tensor([1, 0, 4])train = torch.tensor([1, 0, 0])
我想，您也希望将一热点向量作为目标。PyTorch不能以这种方式工作，因为它的 内存效率低下
（为什么当您只能精确定位类时，为什么将所有内容存储为一键编码
0）。
仅对神经网络的输出进行一次热编码，以通过所有输出节点反向传播错误，目标不需要。
最后
你不应该 使用
torch.nn.LogSoftmax在所有
完成这个任务。只需
torch.nn.Linear用作最后一层并
torch.nn.CrossEntropyLoss与您的目标一起使用。
