二进制分类与多标签分类略有不同：对于多标签，您的模型预测每个样本的“logits”向量，并使用softmax将logits转换为概率；在二进制情况下，模型预测每个样本的标量“logit”，并使用sigmoid函数将其转换为类概率。

在pytorch中，softmax和sigmoind被“折叠”到损失层（出于数值稳定性考虑），因此对于两种情况有不同的交叉熵损失层：nn. BCEWellLogitsLoss对于二进制情况（使用sigmoid）和nn.CrossEntropyLoss对于多标签情况（使用softmax）。

在您的示例中，您希望使用二进制版本（带有sigmoid）：nn. BCEWellLogitsLoss。
因此，您的标签应该是torch.float32类型（与网络输出的float32类型相同）而不是整数。每个样本应该有一个标签。因此，如果您的批处理大小为200，则目标应该具有形状（200,1）。

我将把它留在这里作为一个练习，以表明训练一个具有两个输出和CEsoftmax的模型相当于二进制输出sigmoid；）