报错
在多分类语义分割问题中使用torch.nn.CrossEntropyLoss的时候，遇到的报错有：
1. Assertion `t >= 0 && t < n_classes` failed.
2. RuntimeError: Expected floating point type for target with class probabilities, got Long
通过官方文档了解到，torch.nn.CrossEntropyLoss分为两种情况：
- 直接使用class进行分类，此时的label为0，1，2…的整数。对于这类情况，torch.nn.CrossEntropyLoss中添加了
LogSoftmax以及NLLLoss，因此不用在网络的最后添加 softmax和argmax 将输出结果转换为整型。 - 使用每一类的概率。这种标签通常情况下效果比直接使用class进行分类要好一些，但在少样本 && 在每一类上使用标签过于严格 的时候，才推荐使用概率作为标签。
解决
假设传入torch.nn.CrossEntropyLoss的参数为torch.nn.CrossEntropyLoss(pred, label)，其中pred为模型预测的输出，label为标签。
这两个报错都是因为pred输入的维度错误导致的
根据官网文档，如果直接使用class进行分类，pred的维度应该是[batchsize, class, dim 1, dim 2, ... dim K]，label的维度应该是[batchsize, dim 1, dim 2, ... dim K]。注意在网络输出的channel中加入class number的维度。不然softmax无法计算，及model的output channel = class number。
另，如果想直接使用class进行分类，需要讲label的type转换成long格式：labels = labels.to(device, dtype=torch.long)