负采样 ID 报 “Expected indices to have scalar type Long”MovieLens 里那几个 id，得显式转成 long

这是一个 PyTorch 类型与索引报错的场景，我去核实 Embedding、gather 对索引 dtype 的官方要求，以及 MovieLens 数据集的真实字段口径。

官方文档对 Embedding 的输入 dtype 和 gather 的 LongTensor 索引已经说清楚了；我再补两条：经典报错文案的社区记录，以及负采样实现里索引怎么传。

这个报错的意思是：传给 Embedding 或 gather 的索引张量类型不对，不是整数张量。PyTorch 的查表类算子只接受整数索引，不做隐式类型转换，你给一个 float 它就原样拒绝。最典型的来源是 MovieLens 的读取链路：pd.read_csv 之后做了除法、归一化、np.random.random() 生成负样本、或者把 id 和一个 float 常量拼在一起，dtype 就悄悄变成了 float64，一路传到 nn.Embedding 的 argument 1 才炸。修法就三处：读入时就把 id 列钉成 int64、负采样器直接产出 torch.long、进模型前加一道 dtype 断言。别指望在 forward 里 .long() 一把糊过去，如果那个 float 是被算坏的，转换只会把错数据变成能跑通的错数据。

报错到底在说哪个参数

不同算子对索引入参的措辞不一样，认准参数名比背整句报错更有用：

一条容易踩的口径差：报错文案里 “必须有 scalar type Long” 这句话，在旧版本里是硬要求，新版本文案已经扩成 “Long 或 Int 之一”。也就是说，某些版本上 IntTensor 能过，某些版本不能。工程上不要跟着文案走，统一用 long 最省事 —— 它跨版本、跨 CPU/CUDA 都稳。

MovieLens 的 id 是怎么变成 float 的

把常见来源摊开，基本能一眼认出自己踩的是哪条：

1. pd.read_csv 读 u.data 时没指定 dtype，遇到含缺失值的列 pandas 会给 float64，整列跟着变。
2. 做了 rating / 5、(id - mean) / std 这类运算，结果张量继承 float。
3. 负采样用 np.random.random() 再乘 n_items 取整，中间是 float，忘了 .astype('int64')。
4. 用 np.random.choice(n_items, size=...) 结果没问题，但之后又和 float 数组做了 hstack／concatenate，整块被提升为 float。
5. 把 user id 和 item id 拼成一个 [B, 2] 的矩阵喂给模型，其中一列是 float，另一列是 int，拼接时统一提升。
6. 从 DataFrame 取值时用了 .values 但列本身是 float（比如先做过 fillna(0) 再算平均）。

机制这一层：为什么必须是整数

Embedding 本质是一张 num_embeddings × embedding_dim 的查找表，前向就是 “按行号取一行”。行号天然是整数，没有第 1.5 行。gather 同理，它按 index 里的每个数字去 input 里挑元素，索引必须是可数的整数。所以 PyTorch 在这里选择直接报错，而不是替你四舍五入 —— 隐式转换会掩盖 “我传错东西了” 这件事。

三处一起改，改一处不够

负采样那段可以直接照这个骨架改：

import numpy as np, torch

def sample_negatives(n_users, n_items, batch_size, k=1, seed=0):

rng = np.random.default_rng(seed)

neg = rng.integers(0, n_items, size=(batch_size, k), dtype=np.int64)

return torch.as_tensor(neg, dtype=torch.long) 关键：dtype 明确写死

正样本那边同样要盯住。MovieLens 的 u.data 是 user id | item id | rating | timestamp 四列制表符分隔，用户和物品都从 1 开始连续编号，不是从 0。这件事和 dtype 是两个独立的坑，但经常一起爆：

验证这四步，比反复重装有用

1. 打印 dtype。在 DataLoader 出一个 batch 后立刻 print(batch['item_id'].dtype, batch['item_id'].shape)，float 一眼就看见。
2. 打印取值域。batch['item_id'].min(), .max() 必须落在 [0, num_embeddings-1]，出现负数或超界，说明是索引构造的问题，不是 dtype 的问题。
3. 加断言前移。在 forward 第一行写 assert x.dtype == torch.long，让错误发生在你的代码里，而不是埋在算子内部。
4. 最小复现。拿 torch.tensor([[1,2],[3,4]], dtype=torch.long) 直接喂 nn.Embedding(10, 3)，能过就说明模型侧没问题，问题在数据侧。

六个常见误判，避开能省一下午

回头看：这个报错其实是好事

索引类型错误是所有深度学习报错里最好修的一类 —— 它有明确的参数名、明确的期望类型、明确的发生位置，不需要调梯度、不需要猜数值。真正难缠的是那种 “跑得通但指标不对” 的静默错误。比如你 .long() 了一个本该保留小数的特征，loss 会降、指标会动，但模型学到的东西是错的。这也是为什么建议把 dtype 校验放在数据入口，而不是模型内部：入口处报错，你知道是数据问题；模型内部报错，你只知道自己写错了一行。

【相关 FAQ】

问题 1：负采样的 ID 已经是整数了，为什么还会报 Expected indices to have scalar type Long？

回答 1：整数分两种 ——Python 的 int、numpy 的 int32/int64、张量的 int32，都和 PyTorch 索引默认要求的 int64（即 torch.long）不是同一个东西。MovieLens 的负采样如果先经过 np.random.random() n_items 再取整，或者 id 列被 pandas 提升成了 float64，落到张量上就是 float。判据很直接：打印 neg.dtype，只要不是 torch.int64，就按 torch.as_tensor(neg, dtype=torch.long) 显式指定。

问题 2：MovieLens 的物品 id 从 1 开始，负采样时要不要减 1，会不会影响 Long 类型报错？

回答 2：这两件事要分开处理。id 从 1 开始连续编号是索引构造问题，处理方式是建表时 id-1 或把 num_embeddings 开到 max_id + 1；Long 是 dtype 问题，靠 .long() 解决。两者会互相伪装：越界会报 IndexError 或 CUDA 断言失败，类型错才报 Expected indices to have scalar type Long。先看报错参数名是 indices 还是范围错误，再决定改哪一处，别同时动两个变量。

问题 3：在 forward 里对输入统一 .long() 行不行，为什么非要回到数据源头改？

回答 3：技术上能消除报错，工程上不建议。float → long 是截断转换，1.7 会变成 1，如果这个 float 是除法或归一化算出来的，你等于把一批算坏的数据强行塞进 Embedding，模型照样训练、loss 照样下降，但语义已经错了。正确顺序是先修数据口径（读入时定 dtype、采样器产出 int64），再在入口加断言，让 Expected indices to have scalar type Long 这类错误在数据管道里就暴露，而不是等它穿过三层网络。

问题 4：MovieLens 负采样除了 dtype，还有哪些容易连带出错的点？

回答 4：三类。一是采样范围，负样本必须从用户未交互集合里取，直接在全量物品里均匀采会抽到正样本，BPR 的 pairwise 假设就破了；二是数量口径，每个正样本配几个负样本要先定死，MovieLens 100K 只有 10 万条评分、1682 部电影，负样本比例过高会让梯度被负例主导；三是采样器的一致性，训练和验证要用不同的随机种子但不能用不同的采样逻辑，否则指标不可比。这三条和 Expected indices to have scalar type Long 无关，但同属负采样 ID 构造这一环，建议一起在数据管道的自检里固定下来。

【参考资料】

[2026-11-01]（torch.nn.functional.embedding）PyTorch 官方文档

[2026-10-27]（Heterophily-Aware Fair Recommendation using Graph Convolutional Networks）arXiv

[2026-10-21]（词嵌入：编码词汇语义）PyTorch 教程

[2026-09-01]（Embedding）PyTorch 2.13 官方文档

[2026-08-28]（Embedding）PyTorch 2.6 中文文档

[2026-08-05]（MovieLens 100K README）GroupLens

[2026-08-04]（torch.gather）PyTorch 2.7 中文文档

[2026-07-07]（MovieLens 10M/100K Data Set README）GroupLens

[2022-11-01]（Expected tensor for argument 1 'indices' to have scalar type Long; but got CPUFloatTensor instead）PyTorch Forums

[2020-02-13]（RuntimeError: Expected tensor for argument 1 'indices' to have scalar type Long）PyTorch Forums

[2019-06-20]（[solved] Expected tensor for argument 1 'indices' to have scalar type Long; but got CPUDoubleTensor instead）PyTorch Forums

免责声明： 本文依据 PyTorch 官方文档中 torch.nn.Embedding、torch.nn.functional.embedding、torch.gather 的入参说明与词嵌入教程的表述，PyTorch 官方论坛关于 indices 类型报错的多个案例帖，以及 GroupLens 官方 MovieLens 100K / 10M 数据集 README 整理。信息属性需区分：Embedding 输入为 IntTensor 或 LongTensor、gather 的 index 为 LongTensor、id 从 1 开始连续编号、100K 为 943 用户 1682 电影 10 万条评分、时间戳为 Unix 秒，这些来自官方文档与数据集 README；报错文案中的可接受类型集合随版本变化（旧版仅 Long，较新版为 Long 或 Int 之一），此判断来自论坛不同年份的报错原文对比，未逐版本验证，具体以你所装版本实测为准；.long() 对 float 执行截断、以及 int32 在部分算子不被接受，属于依据类型转换语义与算子校验行为的工程经验，非官方明文规定。MovieLens 各版本字段、评分尺度与划分脚本存在差异，落地前请以你所下载版本的 README 为准。本文为技术排障说明，不构成对任何框架、模型结构或训练策略的推荐，也不保证按文中方法处理后模型效果符合预期；数据集使用需遵守 GroupLens 的许可条件，不得声称获得明尼苏达大学或 GroupLens 研究组的背书。

PyTorchPyTorchPyTorchPyTorchPyTorchGroupLensGroupLensPyTorchPyTorchPyTorcharXiv