报错源于张量dtype不一致：torch.tensor([1,2,3])默认int64，torch.randn(3)默认float32，相加失败；应通过print(x.dtype)定位logits（需float32）和target（分类任务需long），预处理时显式指定dtype与device。
PyTorch张量相加报错：expected scalar type Float but found Long
因为 PyTorch 的张量运算（包括 +）要求参与运算的张量 dtype 完全一致，而 torch.tensor([1, 2, 3]) 默认生成 torch.int64，torch.randn(3) 默认是 torch.float32，两者直接相加必然失败。
如何快速定位哪个张量类型错了？
别猜，直接在出错行前后加 print(x.dtype)：
- 检查
model(input)输出的logits类型——必须是float32（否则和 float 权重无法运算） - 检查
target类型——分类任务中应为torch.long，但它是用来索引的，不能参与加法 - 特别注意 DataLoader 外手动构造的标签：
torch.tensor([0, 1, 1])→int64；torch.tensor([0.0, 1.0, 1.0])→float32，后者在加法中“看似能用”，但会破坏语义
为什么 .float() 和 .long() 不能乱用？
类型转换不是格式化，而是语义重解释：
-
label.long()合理：把浮点标签转为整数索引（前提是值确实是整数） -
logits.float()多余：它本来就是float32，强行调用无害但暴露逻辑漏洞 -
mask.float()常见：布尔掩码用于乘法时需float32，但mask.long()会把True→1、False→0，虽数值等价，却丢失了 bool 的语义意图 -
loss_input.long()危险：比如把交叉熵的输入 logits 转成 long，直接破坏梯度流
设备与类型要同步处理，不能只改一个
x.to('cuda') 只迁设备，不改类型；x.float() 只改类型，不迁设备。但实际训练中二者常需同时满足：
- 模型参数在 GPU 上且是
float32，输入也必须是float32+cuda - 错误写法：
x = x.cuda(); x = x.float()——顺序无关，但两次调用冗余 - 推荐写法：
x = x.to(device, dtype=torch.float32)，一次到位，且device可动态切换 CPU/GPU - 尤其注意：
torch.zeros()或torch.empty()创建新张量时，务必显式传dtype和device，否则默认在 CPU 上生成float32，和 GPU 模型一加就崩
dtype，或新张量没继承上下文的 device 和 dtype。每次新建张量，都要问一句：它该在哪？它该是什么类型？Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
