修复BCEWithLogitsLoss类型不匹配及save_image API兼容性问题

[Dingchunru]

问题描述：

BCEWithLogitsLoss类型错误：

使用torch.nn.BCEWithLogitsLoss时，目标张量默认创建为torch.long类型，但该损失函数要求torch.float32

错误信息：RuntimeError: result type Float can't be cast to the desired output type Long

问题影响：导致训练过程中断，无法计算二元交叉熵损失

save_image API兼容性问题：

新版torchvision的save_image函数参数解析方式变化

错误信息：AttributeError: 'int' object has no attribute 'upper'

问题影响：无法正确保存生成的图像结果

修改方案：

BCEWithLogitsLoss类型修复：

在所有torch.full()创建目标张量处显式指定dtype=torch.float32

确保目标张量与模型输出类型一致，符合概率计算的数学要求

save_image API修复：

将位置参数改为命名参数nrow=original_images.shape[0]

显式添加format='JPEG'参数确保输出格式明确

代码变更示例：

diff

BCEWithLogitsLoss 相关修改

• d_target_label_cover = torch.full((images_cover.size(0),), self.cover_label)

• d_target_label_cover = torch.full((images_cover.size(0),), self.cover_label, dtype=torch.float32)

• g_target_label_encoded = torch.full((images_cover.size(0),), self.encoded_label)

• g_target_label_encoded = torch.full((images_cover.size(0),), self.encoded_label, dtype=torch.float32)

save_image 相关修改

• save_image(original_images, "original.jpg", original_images.shape[0])

• save_image(original_images, "original.jpg", nrow=original_images.shape[0], format='JPEG')
  影响范围：

正向影响：修复后可以正常进行模型训练和图像保存

兼容性：修改后的代码兼容PyTorch 1.7+和torchvision 0.8+版本

性能：无负面影响，类型匹配反而可能提升GPU计算效率

测试建议：

运行训练脚本验证BCEWithLogitsLoss计算是否正常

检查生成的图像文件是否符合预期格式和布局

在不同PyTorch版本(1.7-2.0)环境下验证兼容性