这个报错本质是张量维度不匹配，在分类任务把损失函数从 CrossEntropyLoss 换成 MSELoss 时非常容易踩坑：模型输出 tensor a 形状是 [batch,133]，标签 tensor b 形状是 [batch] 或者 [batch,10]，两个 shape 对不上；CrossEntropyLoss 原生接受一维类别索引标签，而 MSELoss 要求预测和标签维度完全一致，需要把标签做 one-hot 编码，同时还要确认你的分类类别数到底是 133 还是 10，先理清标签含义，再做形状对齐。
报错信息对照表
| 张量 | 维度 | 含义 | 常见来源 |
|---|---|---|---|
| tensor a (133) | (batch_size,133) | 模型输出 logits / 预测值 | 最后一层 Linear 输出维度 = 133 |
| tensor b (10) | (batch_size,10) 或 (batch,) | 标签 | 标签要么是类别索引，要么是 one-hot 长度为 10 |
| 核心冲突 | 输出维度 133、标签维度 10 不一致 | 类别数量不匹配 + MSELoss 需要同形 | 换损失函数时没有同步改造标签 |
两种损失函数对标签的要求对比
| 损失函数 | 模型输出 shape | 标签 shape | 标签含义 |
|---|---|---|---|
| CrossEntropyLoss | [B, num_classes] | [B] | 标签是类别索引（0,1,2…），不需要 one-hot |
| MSELoss | [B, num_classes] | [B, num_classes] | 标签必须和输出同维度，一般是 one-hot 向量 |
分步排查修复流程
- 确认真实类别数量：看数据集标签最大值，如果标签范围 0~9，总类别是 10，那模型最后一层 Linear (xxx,133) 写错了，改成 Linear (xxx,10)；如果类别确实是 133，那标签 one-hot 长度必须改成 133。
- 标签格式改造：如果保留 MSELoss，要把一维索引标签转成 one-hot 编码。
import torch
import torch.nn.functional as F
label: [B] 一维索引
label_onehot = F.one_hot(label, num_classes=10).float()
- 检查模型输出：MSELoss 做分类一般不直接用原始 logits，建议加 Sigmoid/Softmax 归一化到 0~1 区间。
- 核对 dtype：MSELoss 要求预测和标签都是 float 类型，one-hot 默认是 long，一定要转 float。
- 备选方案：如果不想改 one-hot，优先换回 CrossEntropyLoss，更适合分类任务，不需要对齐二维标签。
典型踩坑清单
✅ 坑 1：直接把 CrossEntropy 的索引标签丢进 MSELoss，一维标签和二维输出 shape 不一致
✅ 坑 2：数据集类别数和模型最后一层输出维度不一致（本例：10 类 vs 133 输出通道）
✅ 坑 3：one-hot 之后是 long 类型，直接计算 MSELoss 触发类型报错
✅ 坑 4：分类任务强行用 MSELoss，梯度特性差，收敛难度远高于交叉熵
方案选型建议
- 标准单标签分类：优先 CrossEntropyLoss，代码简单、训练稳定，不需要 one-hot
- 多标签分类：用 BCEWithLogitsLoss
- 只有你明确需要回归式标签（比如软标签、分布标签），才适合使用 MSELoss
【相关 FAQ】
问题 1：报错 The size of tensor a (133) must match tensor b (10)，换 MSELoss 为什么会出现？
回答 1：CrossEntropyLoss 接收一维类别索引标签，MSELoss 要求预测张量和标签张量形状完全一致；这里模型输出是 133 维，标签只有 10 维，维度不匹配触发报错，优先核对类别数和标签编码方式。
问题 2：分类任务使用 MSELoss，标签必须改成 one-hot 吗？
回答 2：是的，MSELoss 要求预测和标签 shape 相同；模型输出是[B, C]，标签就要转为[B, C]的 one-hot 浮点向量，不能直接用一维类别索引。
问题 3：报错里 tensor a 是 133，tensor b 是 10，代表我的数据集是 10 类还是 133 类？
回答 3：要看数据集标签，标签最大编号是 9 则是 10 分类，说明模型最后一层输出维度写错写成 133；如果数据集一共 133 个类别，说明 one-hot 编码时 num_classes 传成了 10。
问题 4：分类任务，MSELoss 和 CrossEntropyLoss 哪个更推荐？
回答 4：常规单标签分类优先 CrossEntropyLoss，训练更稳定；MSELoss 适合软标签、分布拟合场景，普通分类不推荐，收敛慢、容易梯度问题。
问题 5：one-hot 标签转完之后，计算 MSELoss 还报错，还需要检查什么？
回答 5：要检查数据类型，one_hot 输出默认是 long 整型，需要调用.float()转为浮点型；同时检查 batch 维度是否一致，不要出现维度错位。
【参考资料】
[2026-03-12]（PyTorch MSELoss 官方文档）PyTorch Docs
[2025-09-20]（CrossEntropyLoss 与 MSELoss 标签格式差异）PyTorch 官方论坛
[2026-04-15]（分类任务切换损失函数维度匹配踩坑总结）知乎技术专栏
[2025-11-01]（F.one_hot 使用注意事项）pytorch 教程博客
【免责声明】
本文仅为 PyTorch 报错排查技术参考，代码示例为演示用途；实际训练时需要结合数据集、任务类型、标签分布调整损失函数与后处理逻辑，不同任务的损失选择没有通用最优方案。