PyTorch 1.10+ 中 LongTensor 报错根源是 API 移除而非 dtype 不匹配；应统一用 torch.tensor(..., dtype=torch.long) 或 x.to(torch.long) 显式指定 long 类型。
PyTorch中LongTensor报错的根源是dtype不匹配，不是构造方式问题
PyTorch 1.10+ 已弃用 LongTensor 这类旧式构造函数，直接调用会触发 RuntimeError: LongTensor is not a valid constructor。这不是数据类型转换失败，而是 API 层面移除——它本质是 torch.tensor(..., dtype=torch.long) 的别名，但别名被删了。
常见误操作：写 torch.LongTensor([1, 2, 3]) 或 torch.LongTensor(data)，尤其从老教程或 PyTorch 0.x 代码迁移时容易踩坑。
- 所有
XXXTensor（如FloatTensor、ByteTensor）在新版本中均不可直接调用 - 正确路径只有一条：显式传
dtype参数 - 如果原数据是 NumPy 数组或 Python list，
dtype必须与目标一致；否则会静默转为默认torch.float32，导致后续nn.Embedding或cross_entropy报Expected dtype long
用torch.tensor()替代LongTensor时，dtype必须显式指定
torch.tensor() 默认推断 dtype：Python int → torch.int64（即 long），但 Python float → torch.float32，NumPy array 会继承其 dtype。看似“自动”，实则隐患重重。
例如：torch.tensor([1, 2, 3]) 确实生成 torch.int64，但 torch.tensor([1, 2, 3.0]) 就变成 torch.float32 —— 因为列表含 float，整体升为 float。
立即学习“Python免费学习笔记（深入）”；
- 安全写法永远加
dtype=torch.long：如torch.tensor([1, 2, 3], dtype=torch.long) - 从 NumPy 转换时，即使
np.array([1,2,3], dtype=np.int32)，torch.tensor(arr)仍可能转成torch.int64（取决于平台），所以仍建议显式指定dtype - 若需保持 NumPy 原 dtype，用
torch.as_tensor(arr)更可靠，但它不复制数据，且不接受dtype参数 —— 所以该用哪个，取决于你是否需要控制 dtype
torch.LongTensor()未完全消失？那只是torch.empty()的别名
你可能发现 torch.LongTensor(3, 4) 没报错。这不是“还能用”，而是 PyTorch 把它重定向到了 torch.empty(3, 4, dtype=torch.long) —— 仅限**无数据输入的形状构造场景**。
一旦传入数据（哪怕一个 list），就立刻失败：torch.LongTensor([1,2,3]) → TypeError: new(): invalid data type 或更明确的 RuntimeError。
-
torch.LongTensor(2, 3)✅ 等价于torch.empty(2, 3, dtype=torch.long) -
torch.LongTensor([1,2,3])❌ 不再支持，必须改写为torch.tensor([1,2,3], dtype=torch.long)或torch.LongTensor().new_tensor([1,2,3])（不推荐） - 这种“半保留”设计容易让人误以为兼容，实际是过渡期残留，未来版本可能彻底移除
交叉验证dtype是否真为long：别只信.dtype打印结果
终端里打印 x.dtype 显示 torch.int64 并不等于能被 nn.Embedding 接收——某些模型内部会检查是否为 torch.long，而 torch.int64 == torch.long 在 Python 中为 True，但在 C++ 后端可能有细微差异（尤其跨设备或旧编译器）。
最稳妥的验证方式是直接喂给下游算子：
- 对
nn.Embedding：传入索引张量，看是否报Expected tensor for argument #1 'indices' to have scalar type Long - 对
F.cross_entropy：target必须是torch.long，哪怕target.dtype is torch.int64也可能失败（极少见，但存在） - 强制统一：用
x.to(torch.long)替代x.long()，前者更健壮，会做 dtype 检查和必要转换
真正麻烦的从来不是怎么转，而是转完你以为对了，结果在 loss 计算那步崩掉 —— 那往往是因为中间某次隐式转换又悄悄退回到了 float 或 int32。
