F.one_hot要求输入为torch.long型且值在[0, num_classes)内，否则报错；需显式转换类型、设对num_classes，避免负数/NaN；与embedding不同，它无参、零开销、输出dense tensor。
F.one_hot 是 PyTorch 提供的最直接、最轻量的 One-Hot 编码方式，但它对输入有严格要求：只接受 torch.long 类型的一维或二维张量，且值必须在 [0, num_classes) 范围内。用错类型或越界会直接报错，不是静默失败。
为什么 F.one_hot 会报 “Expected dtype long” 错误
这是最常见的拦路虎。PyTorch 不允许对 float 或 int32（非 long）张量调用 F.one_hot，哪怕数值看起来“没问题”。
- 确保输入是
torch.long：用.to(torch.long)显式转换，别依赖自动推断 - 检查是否意外传入了
torch.Tensor的 float 版本（比如模型输出 logits 经argmax后没转类型） - 如果原始数据是 NumPy array，用
torch.from_numpy(arr).long()，而不是.tensor()（后者默认 float）
如何正确设置 num_classes 参数
num_classes 不是可选参数（PyTorch 1.12+ 要求显式传入），它决定了 one-hot 向量的长度，也隐含了输入值的合法范围上限。
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- 若你有类别数为 5 的标签（0~4），必须设
num_classes=5；设成 6 会在末尾补一列全 0，设成 4 则触发IndexError: index out of range - 对 batch 数据（如 shape
(N,)），F.one_hot输出 shape 为(N, num_classes)；若输入是(N, L)（如序列标签），输出是(N, L, num_classes) - 注意：
num_classes必须大于输入中的最大值，否则运行时报错，不会自动扩容
和 torch.nn.functional.embedding 的关键区别
有人想用 embedding 层模拟 one-hot（权重矩阵设为单位阵），但这是绕远路，且容易出错：
立即学习“Python免费学习笔记（深入）”；
-
F.one_hot是纯函数、无参数、零内存开销，结果是 dense tensor；embedding是可学习层，需初始化、占显存、返回的是 embedding 向量（不是 one-hot） - 若你只需要 one-hot 用于 loss 计算（如
nn.CrossEntropyLoss内部不需 one-hot，但nn.BCEWithLogitsLoss需要），务必用F.one_hot，别自己手写torch.eye拼接——维度易错、不支持梯度传播到索引 - 极端情况：类别数极大（如 100k+），
F.one_hot会生成巨大 dense 张量，此时应改用 sparse 表示或 label-smoothing 等替代方案
真正容易被忽略的是：当输入含负数或 NaN 时，F.one_hot 不会提前校验，而是触发底层 CUDA/TH 异常，错误信息晦涩（如 “invalid argument”）。上线前务必加 assert (x >= 0).all() and x.max().item() 做兜底检查。
