这个报错是图像分割 UNet 训练里高频坑，根源是CrossEntropyLoss 对输入、标签的维度顺序要求固定：UNet 输出是 [B, C, H, W]（batch，类别数，高，宽），标签是 [B, H, W]（每个像素存类别索引）；很多人手动把类别维度压平、或者调换维度顺序、把标签多加通道维，就会触发维度越界报错，语义分割的 CrossEntropy 不需要你把类别维 squeeze 或者 flatten。
张量格式对照（语义分割标准格式）
| 张量 | 正确 shape | 错误写法 | 说明 |
|---|---|---|---|
| UNet 输出 logits | [B, C, H, W] | [B, H, W, C] / [B,1,H,W] | C 是类别通道，放第 1 维，不能挪到最后 |
| 分割标签 label | [B, H, W]（long 类型） | [B,1,H,W] / [B, C, H, W] | 存像素索引，不需要类别通道，不要加 C 维 |
| CrossEntropyLoss 要求 | 输入：N,C,d1,d2…；标签：N,d1,d2… | 标签带上通道 C 维 | 内部自动逐像素计算，不需要手动 one-hot |
报错触发典型场景
- 错误给 label 增加通道维度：label.unsqueeze(1)，label 变成[B,1,H,W]
- 调换通道顺序：把输出 permute 成[B,H,W,C]，通道跑到最后一维
- 误以为和分类一样，强行 squeeze、flatten 类别维度
- 标签是 float 而不是 long，也会附带引发同类索引类报错
正确 & 错误代码对比
✅ 正确：UNet输出 [B,C,H,W]，label [B,H,W] long
loss_fn = torch.nn.CrossEntropyLoss()
logits = model(x) [B, C, H, W]
loss = loss_fn(logits, label.long())
❌ 错误1：label多了通道维度 [B,1,H,W]
loss = loss_fn(logits, label.unsqueeze(1))
❌ 错误2：通道换到最后一维
logits = logits.permute(0,2,3,1)
loss = loss_fn(logits, label)
分步排查修复流程
- 打印 shape：确认 model 输出logits.shape、label.shape
- 通道顺序校验：类别通道 C 必须在第 1 个位置（B 之后）
- 标签处理：标签不要加通道，保持[B,H,W]，dtype 必须是 torch.long
- 不要手动做 one-hot：CrossEntropyLoss 原生支持索引标签，one-hot 反而要用 MSE/BCE
- 确认类别数：logits 的 C 和标签最大类别索引匹配
容易混淆的损失函数对比
| 损失函数 | 适合分割场景 | 输入 shape | 标签 shape |
|---|---|---|---|
| CrossEntropyLoss | 单标签语义分割 | [B,C,H,W] | [B,H,W] long 索引 |
| BCEWithLogitsLoss | 二分割 / 多标签分割 | [B,1,H,W] | [B,1,H,W] float 0/1 |
| DiceLoss | 辅助分割指标 / 损失 | [B,C,H,W] | 两种格式都有实现，看源码 |
【相关 FAQ】
问题 1：UNet 训练报错 dimension out of range [-1, 0], but got 1，为什么是 CrossEntropyLoss 维度问题？
回答 1：UNet 语义分割的 CrossEntropyLoss 要求输出[B,C,H,W]、标签[B,H,W]；如果标签多了通道维度，或者通道顺序被调换，内部索引访问时就会触发这个维度越界报错。
问题 2：UNet 做语义分割，CrossEntropyLoss 需要把标签转 one-hot 吗？
回答 2：不需要，CrossEntropyLoss 支持像素类别索引标签[B,H,W]，不需要 one-hot；one-hot 标签一般搭配 MSELoss、BCEWithLogitsLoss 使用。
问题 3：我把 label unsqueeze (1) 之后就报错，是不是绝对不能加这个？
回答 3：对 CrossEntropyLoss 不能加；如果是 BCE 二分类，才需要 label 变成[B,1,H,W]，二者标签格式不一样，不要混用。
问题 4：UNet 输出通道放在最后一维 [B,H,W,C]，能直接送入 CrossEntropyLoss 吗？
回答 4：不行，CrossEntropyLoss 规定类别通道必须在第 1 维，需要permute(0,3,1,2)调整回[B,C,H,W]。
问题 5：这个报错和把类别维度压平有关系吗？
回答 5：本次这个报错的高频诱因就是人为改动、压平、新增类别通道；CrossEntropyLoss 在分割场景下，不需要手动压平类别维度，框架内部逐像素计算。
【参考资料】
[2026-02-10]（PyTorch CrossEntropyLoss 官方文档，多维输入说明）pytorch.org
[2025-10-17]（UNet 语义分割常见维度报错汇总）知乎
[2026-04-03]（CrossEntropyLoss 与 BCEWithLogitsLoss 在分割任务的标签差异）CSDN 技术博客
[2025-08-22]（dimension out of range [-1,0] but got 1 分割问题定位）Github 讨论区
【免责声明】
本文仅为 PyTorch UNet 语义分割报错排查技术参考，代码片段为演示示例；不同自定义 Dice、Focal Loss 实现对标签格式有差异，使用前请核对对应损失函数源码要求。