这个报错本质就是模型、卷积层、损失函数默认要求输入张量是 Float 浮点型，但是你从表格读取出来的图像数据是 Byte（uint8）字节类型，PyTorch 不允许 Byte 类型直接参与网络前向计算，就抛出类型不匹配异常，图像像素原始值一般是 0~255 的整数，存成 Byte 很常见，最简单的处理方式就是读取图像张量之后，先转 float，再按需做归一化，这里要区分清楚图像输入和标签，标签一般保持 long，不能随便转 float，很多人改错把标签也转浮点，会引发新的 loss 报错，整套流程只要在拿到图像 tensor 之后加上类型转换代码，就能解决这个类型不匹配问题。
一、张量类型对照
| 数据类型 | 含义 | 能不能直接送入模型 | 适用场景 |
|---|---|---|---|
| torch.ByteTensor / uint8 | 字节，0~255 整数 | ❌ 不可以 | 原始图像存储 |
| torch.FloatTensor / float32 | 单精度浮点 | ✅ 可以 | 模型输入、卷积计算 |
| torch.LongTensor | 长整型 | ✅ 标签专用 | 分割 / 分类标签 |
二、基础转换代码示例
import torch
img_tensor 是从表格读出的图像，默认dtype=torch.uint8（Byte）
img_tensor = torch.randint(0,255,(2,3,256,256), dtype=torch.uint8)
核心：转浮点
img_tensor = img_tensor.float()
可选：归一化到0~1
img_tensor = img_tensor / 255.0
送入模型
out = model(img_tensor)
三、完整处理步骤（表格读取图像场景）
- 读取表格里的图像数据：不管是 csv、parquet 里面存的像素数组，加载后默认是 uint8 字节格式
- 转为 torch 张量：此时张量 dtype 是 torch.uint8，也就是 Byte 类型
- 执行 float 转换：.float()，这一步是解决报错的关键
- 像素归一化：除以 255，把 0~255 映射到 0~1，符合模型训练习惯
- 区分图像和标签：图像转 float；分割 / 分类标签保持 long，不要转 float
- 送入网络前向推理或者训练
四、容易踩坑的问题清单
- 坑 1：只转 float 忘记归一化：数值范围 0~255 直接进网络，训练震荡、收敛困难
- 坑 2：标签跟着一起转 float：CrossEntropyLoss 标签必须 long，会触发新报错
- 坑 3：转换顺序错：先除以 255 再转 float，uint8 做除法会整数截断，结果出错
正确顺序：先.float () → 再 /255.0
- 坑 4：混合精度训练场景：模型是 float16，图像转 float 之后还要额外转 half ()
五、错误写法 vs 正确写法
错误写法，Byte直接进模型
img = torch.randint(0,255,(1,3,224,224),dtype=torch.uint8)
pred = model(img) RuntimeError: expected scalar type Float but found Byte
正确写法
img = torch.randint(0,255,(1,3,224,224),dtype=torch.uint8)
img = img.float() / 255.0
pred = model(img)
六、如果是 Dataset 里读取表格图像
class TableImageDataset:
def __getitem__(self, idx):
从表格读取像素数组
arr = self.df.iloc[idx]['img_data']
img_tensor = torch.from_numpy(arr).to(torch.uint8)
类型转换
img_tensor = img_tensor.float() / 255.0
label = torch.tensor(self.df.iloc[idx]['label'], dtype=torch.long)
return img_tensor, label
【相关 FAQ】
问题 1：RuntimeError: expected scalar type Float but found Byte，表格读出图像为什么会是 Byte 类型？
回答 1：图像像素取值范围 0~255，表格里存储图像像素数组默认用 uint8 也就是 Byte 类型节省空间，送入 PyTorch 模型前没有转浮点，就会出现这个类型报错。
问题 2：表格读出图像转浮点的时候，是先除以 255 还是先调用.float ()？
回答 2：表格读出图像必须先调用.float () 转浮点，再除以 255 做归一化；如果先除 255 再转 float，uint8 整数除法会截断，像素计算出错。
问题 3：表格读出图像转浮点之后，标签是不是也需要一起转 float？
回答 3：不需要，表格读出图像是输入，要转 float；分类、分割任务的标签需要保持 long 类型，标签转 float 会导致损失函数报错。
问题 4：表格读出图像转浮点之后，还会出现 expected scalar type Float but found Byte 吗？
回答 4：正常情况下不会，只要图像张量成功转为 float32，类型匹配；如果还报错，大概率是标签、或者模型中间某分支输入仍然是 Byte 类型，需要单独检查其他张量 dtype。
【参考资料】
[2025-08-12]（RuntimeError: expected scalar type Float but found Byte 图像 dtype 报错）PyTorch 中文论坛
[2024-06-20]（PyTorch tensor dtype uint8 转 float 图像预处理）Stack Overflow
[2023-11-01]（When to convert uint8 image to float tensor in dataloader）PyTorch Forums
[2022-05-17]（expected scalar type Float but found Byte 数据集加载踩坑）知乎
[2021-03-22]（torch.uint8 ByteTensor 不能直接参与卷积运算）GitHub Issues
【免责声明】
本文基于 PyTorch 张量类型规则、图像预处理通用方案整理，针对表格读出图像转浮点解决类型报错做技术科普；不同版本 PyTorch、混合精度训练、自定义算子、特殊损失函数对数据类型要求存在差异，代码使用前请自行打印 dtype 校验，不保证适配所有特殊数据加载场景。