在使用交叉熵损失函数的时候，target的形状应该是和label的形状一致或者是只有batchsize这一个维度的。
如果target是这样的【batchszie，1】就会出现上述的错误。
改一下试试，用squeeze（）函数降低纬度，
如果不知道squeeze怎么用的，
可以参考这篇文章。pytorch下的unsqueeze和squeeze用法
这只是一种可能的原因。
补充：pytorch使用中遇到的问题
1. load模型参数文件时，提示torch.cuda.is_available() is False。
按照pytorch官方网页又安装了一次pytorch，而不是直接使用清华源，执行pip install torch，暂时不知道为什么。
2. 使用CrossEntropyLoss时，要求第一个参数为网络输出值，FloatTensor类型，第二个参数为目标值，LongTensor类型。否则
需要在数据读取的迭代其中把target的类型转换为int64位的：target = target.astype(np.int64)，这样，输出的target类型为torch.cuda.LongTensor。（或者在使用前使用Tensor.type(torch.LongTensor)进行转换）。
3.
RuntimeError: multi-target not supported at /pytorch/torch/lib/THCUNN/generic/ClassNLLCriterion.cu loss += F.cross_entropy( scores, captions )
出错原因：
scores, captions的维度与F.cross_entropy()函数要求的维度不匹配，
例如出错的维度为scores=[batch, vocab_size], captions=[batch, 1]
解决：
loss += F.cross_entropy( scores, captions.squeeze() )
注，这个scores必须是N*C维，C指类别数。
4. pytorch训练过程中使用大量的CPU资源
当我使用pycharm运行 (https://github.com/Joyce94/cnn-text-classification-pytorch ) pytorch程序的时候，在Linux服务器上会开启多个进程，占用服务器的大量的CPU，在windows10上运行此程序的时候，本机的CPU和内存会被吃光，是因为在train.py中有大量的数据训练处理，会开启多个进程，占用大量的CPU和进程。
本机window10
linux服务器开启了多个进程
Linux服务器占用大量CPU
在pytorch中提供了（http://pytorch.org/docs/master/multiprocessing.html）muliprocessing多进程管理，其中有Pool进程池、Process()等对进程进行管理，可能是我使用的方式不对，反正是没有什么效果。
然而最简单的也是最好的解决办法 ：
torch.set_num_threads(int thread) ，可以很好的解决windows问题，参考（http://pytorch.org/docs/master/torch.html#parallelism） 然而，在linux服务器上还是有一些问题的，export OMP_NUM_THREADS
= 1 可以解决Linux问题。
经验证：export OMP_NUM_THREADS=1确实在pycaffe/pytorch中可以有效降低CPU使用率且提高程序运行速度，考虑可能是程序并不需要这么大的计算量，但是开了很多线程并行进行相同的计算，最后还需要同步结果，浪费了大量的计算量。
5. 在pytorch框架下编译模块的时候遇到 in <module>
raise ImportError("torch.utils.ffi is deprecated. Please use cpp extensions instead.")
ImportError: torch.utils.ffi is deprecated. Please use cpp extensions instead.
解决：pytorch版本与其他库的版本不匹配。我当时装的是1.0.0，降低版本到0.4.0后问题解决。
6.pytorch设置GPU，os.environ[‘CUDA_VISIBLE_DEVICES’]=’X’要放在主程序的最前端，否则设置GPU可能无效。
以上为个人经验，希望能给大家一个参考，也希望大家多多支持搞代码。如有错误或未考虑完全的地方，望不吝赐教。
转载请注明原文链接：解决pytorch下出现multi-target not supported at的一种可能原因
