然后就出现了上面的问题，看了下别人的博客，好像如果conda配置了清华镜像源，然后conda install安装的就是cpu版本的torch，不是gpu版本的，我也不知道是不是这个问题。先把安装的torch卸载了，然后用pip安装gpu版本的torch（我没用镜像源，我开了外网下好像），

均方误差（MSE）：是预测值与真实值之差的平方和的平均值，其数学表达式为，其中为样本数量，为第个样本的真实值，为第个样本的预测值。平均绝对误差（MAE）：是预测值与真实值之差的绝对值的平均值，其数学表达式为。

modelexplain：可以指定训练用的模型，参数内容是可以是pt、yaml文件路径，也可以不指定，好像会默认加载最新的YOLO模型，比如现在是YOLOv11dataexplain：指定数据配置文件，配置文件应该包括训练样本与测试样本的数据路径、每个类的名字以及标号arg：epochstype：int很明显，不介绍了arg：timetype：float。

然后就出现了上面的问题，看了下别人的博客，好像如果conda配置了清华镜像源，然后conda install安装的就是cpu版本的torch，不是gpu版本的，我也不知道是不是这个问题。先把安装的torch卸载了，然后用pip安装gpu版本的torch（我没用镜像源，我开了外网下好像），

但是我的dataFrame是只有float类型的列跟bool类型的列，为什么转不了我也不太清楚，我猜测是转的时候将True跟False识别成字符串了……很容易理解，apply处理的是整列，而我写的lambda针对的是某个值，不匹配，所以报错才会说ambiguous（对数据的处理模糊，不知道要处理谁）这会导致什么问题呢，比如说我想将这个dataFrame的类型转成torch.float32，会出错，

modelexplain：可以指定训练用的模型，参数内容是可以是pt、yaml文件路径，也可以不指定，好像会默认加载最新的YOLO模型，比如现在是YOLOv11dataexplain：指定数据配置文件，配置文件应该包括训练样本与测试样本的数据路径、每个类的名字以及标号arg：epochstype：int很明显，不介绍了arg：timetype：float。

解决办法：建议重新下载node.js然后把这个框勾上，让他自动安装工具，vite好像要用上（反正我不知道是因为node.js版本太旧还是因为没有安装这个工具然后报错了），不过这样确实让我解决了问题。抓住错误关键词，我记得是什么python和visual studio build tools什么的没有安装，就是如下截图，当时没有勾选，我是从新下载node.js版本才发现的。

metrics/mAP50(B)：B 类别的平均精度均值（IoU 阈值为 0.5 时 ），综合评估模型对 B 类目标的检测性能，考量不同召回率下的精确率。metrics/precision(B)：B 类别的精确率，指预测为 B 类的结果中真正属于 B 类的比例，衡量分类的准确性。我的理解是训练时第i个epoch中第一个批量的检测结果，当我batch_size=16时，下边的图片刚好囊括了16个小图

metrics/mAP50(B)：B 类别的平均精度均值（IoU 阈值为 0.5 时 ），综合评估模型对 B 类目标的检测性能，考量不同召回率下的精确率。metrics/precision(B)：B 类别的精确率，指预测为 B 类的结果中真正属于 B 类的比例，衡量分类的准确性。我的理解是训练时第i个epoch中第一个批量的检测结果，当我batch_size=16时，下边的图片刚好囊括了16个小图

但是出了题目所示的错，查看资料才知道交叉熵loss函数接受两个参数，第一个是float，第二个是long！背景：深度学习训练时，我自己提取了输入跟输入进行训练，把一些字符串类别映射成了数字，