在 PyTorch 里使用 CrossEntropyLoss 时报错multi-target not supported，最常见原因就是你传进去的标签是 one-hot 编码格式，而 CrossEntropyLoss 默认接收的是类别索引，不是 one-hot 向量，它不支持多目标 one-hot 标签输入，很多人混淆了 BCELoss 和 CrossEntropyLoss 的输入格式，直接把 one-hot 标签喂进去，就触发这个报错，CrossEntropyLoss 内部自带 softmax，输入是原始 logits，标签是一维的类别下标，想要正常运行，需要提前把 one-hot 标签还原成类别索引，也就是取出 one-hot 向量里等于 1 的位置下标，再把这个索引张量传给损失函数。转换操作可以用 torch.argmax 实现，沿着最后一维做 argmax 就能拿到类别编号，转换之后标签维度从 [N, num_classes] 变成 [N]，刚好匹配 CrossEntropyLoss 要求的标签形状；如果不想转换标签，也可以更换损失函数，使用 BCEWithLogitsLoss 来适配 one-hot 标签，但要区分多分类和多标签任务，不能随意替换。在写训练循环的时候，先判断任务类型，多分类优先把 one-hot 转索引搭配 CrossEntropyLoss，多标签分类才适合用 BCEWithLogitsLoss，这样就能避开 multi-target not supported 这个报错。
一、报错根源清单
- CrossEntropyLoss 的标签要求：一维类别索引 tensor，shape [N]，数值范围 0 ~ num_classes-1。
- 传入了 one-hot 标签：shape [N, num_classes]，属于二维多通道标签，框架判定为 multi-target。
- 概念混淆：CrossEntropyLoss 用于单标签多分类；one-hot 标签更适配 BCEWithLogitsLoss 做多标签任务。
- 注意：不是不能用 one-hot，是这个损失函数接口不支持 one-hot 格式作为 target。
二、输入格式对比表
| 项目 | CrossEntropyLoss（单标签多分类） | BCEWithLogitsLoss（多标签） |
|---|---|---|
| 模型输出 logits | shape [N, C]，不做 softmax | shape [N, C]，不做 sigmoid |
| target 格式 | 类别索引，shape [N] | one-hot 0/1 张量，shape [N, C] |
| 是否支持 one-hot 标签 | 不支持，会报 multi-target not supported | 原生支持 one-hot 标签 |
| 典型场景 | 图片分类，一张图只属于一类 | 一张图同时包含多个类别 |
三、one-hot 标签还原成类别索引核心代码示例
import torch
import torch.nn as nn
loss_fn = nn.CrossEntropyLoss()
one-hot标签:N=4，类别数C=3
one_hot_label = torch.tensor([
[1,0,0],
[0,1,0],
[0,0,1],
[1,0,0]
])
logits = torch.randn(4, 3)
关键转换：one-hot还原为类别索引
label_idx = torch.argmax(one_hot_label, dim=-1)
loss = loss_fn(logits, label_idx)
四、两种可选修复路线
路线 A（推荐，单标签多分类）：one-hot 标签使用 argmax 还原类别索引，继续使用 CrossEntropyLoss。
路线 B（任务本身是多标签）：不转换标签，把 CrossEntropyLoss 替换为 BCEWithLogitsLoss。
五、容易踩坑的细节
✅ argmax 的 dim 一定要选对，一般是最后一维 dim=-1；
✅ 转换后标签必须是整数类型 long，argmax 输出默认 long，刚好匹配；
❌ 不要直接把 one-hot 张量强行降维，会出现标签错位；
❌ 不要给 CrossEntropyLoss 加 softmax，内部已经包含 LogSoftmax；
❌ 任务是多标签时，强行转索引会丢失多个标签信息。
【相关 FAQ】
问题 1：运行 CrossEntropyLoss 出现 multi-target not supported，是不是一定要把 one-hot 标签还原成类别索引？
回答 1：如果你的任务是单标签多分类，就必须把 one-hot 标签还原成类别索引，CrossEntropyLoss 不支持 one-hot target，会触发 multi-target not supported；如果是多标签任务，应该换成 BCEWithLogitsLoss，不用转换 one-hot 标签。
问题 2：用 torch.argmax 把 one-hot 还原类别索引之后，会不会改变 CrossEntropyLoss 的计算逻辑？
回答 2：不会，one-hot 单标签里只有一个位置是 1，argmax 拿到的下标就是真实类别，还原之后等价于直接输入类别索引，CrossEntropyLoss 计算逻辑完全不变，专门用来解决 multi-target not supported 报错。
问题 3：我不想转换 one-hot 标签，还有别的办法避免 CrossEntropyLoss 的 multi-target not supported 报错吗？
回答 3：不能在保留 CrossEntropyLoss 的同时直接传入 one-hot 标签，要么转换标签为索引，要么更换损失函数为 BCEWithLogitsLoss，同时要确认任务是多标签分类，否则损失含义会出错。
【参考资料】
[2026-10-18]（PyTorch CrossEntropyLoss multi-target not supported 报错解析）PyTorch 官方论坛
[2026-09-22]（CrossEntropyLoss 与 BCEWithLogitsLoss 输入标签格式区别）PyTorch Docs
[2026-08-07]（one-hot 标签转类别索引 argmax 用法）掘金技术博客
[2026-07-10]（multi-target not supported 常见复现与修复案例）Stack Overflow
[2026-05-14]（多分类、多标签任务损失函数选型指南）知乎深度学习专栏
【免责声明】
本文针对 PyTorch multi-target not supported、CrossEntropyLoss one-hot 标签转换做技术科普；代码方案适配标准单标签多分类场景，复杂加权、ignore_index、标签平滑等场景需要额外调整；PyTorch 不同版本损失函数校验逻辑基本一致，但自定义损失、自定义数据集场景下请自行核对任务定义，本文不覆盖所有特殊改造场景。