最有可能的是，这个问题与损失函数有关。如果你正确地设置了模型，这是可以修复的，主要是通过指定要使用的正确损失。请参阅此代码以查看确定正确损失的逻辑。
你的问题有二进制标签，因此应该被框定为单标签分类问题。因此，你共享的代码将被推断为回归问题，这解释了它期望float但发现目标标签的长类型的错误。
您需要传递正确的问题类型。

model = transformers.BertForSequenceClassification.from_pretrained(
    "TurkuNLP/bert-base-finnish-cased-v1", 
    num_labels=1, 
    problem_type = "single_label_classification"
)

字符串
这将利用BCE损失。对于BCE损失，你需要目标浮动，所以你也必须将标签转换为浮动。我认为你可以用数据集API来做到这一点。参见this。
另一种方法是使用多类分类器或CE loss。为此，只需修复num_labels即可。

model = transformers.BertForSequenceClassification.from_pretrained(
    "TurkuNLP/bert-base-finnish-cased-v1", 
    num_labels=2,
)

型

在这里，我假设你正在尝试做一个标签分类，也就是说，预测一个结果，而不是预测多个结果。
但是你使用的损失函数（我不知道你用的是什么，但它可能是BCE）需要一个来自你的向量作为标签。
因此，要么你需要像人们在评论中建议的那样将标签转换为向量，要么你可以将损失函数替换为交叉熵损失，并将标签参数的数量更改为2（或其他）。
如果你想将你的模型训练成多标签分类器，你可以使用sklearn将标签转换为向量。预处理：

from sklearn.preprocessing import OneHotEncoder
import pandas as pd
import numpy as np

dataset = pd.read_csv("filename.csv", encoding="utf-8")
enc_labels = preprocessing.LabelEncoder()
int_encoded = enc_labels.fit_transform(np.array(dataset["Sentiment"].to_list()))

onehot_encoder = OneHotEncoder(sparse = False)
int_encoded = int_encoded.reshape(len(int_encoded),1)
onehot_encoded = onehot_encoder.fit_transform(int_encoded)
for index, cat in dataset.iterrows():
    dataset.at[index , 'Sentiment'] = onehot_encoded[index]

字符串

你可以把你的数据。
如果你有Pandas的文件，你可以这样做：

df['column_name'] = df['column_name'].astype(float)

字符串
如果你有HuggingFace的文件，你应该这样做：

from datasets import load_dataset
dataset = load_dataset('glue', 'mrpc', split='train')
from datasets import Value, ClassLabel

new_features = dataset.features.copy()
new_features["idx"] = Value('int64')
new_features["label"] = ClassLabel(names=['negative', 'positive'])
new_features["idx"] = Value('int64')
dataset = dataset.cast(new_features)

型
使用前：

dataset.features

{'idx': Value(dtype='int32', id=None),
 'label': ClassLabel(num_classes=2, names=['not_equivalent', 'equivalent'], id=None),
 'sentence1': Value(dtype='string', id=None),
 'sentence2': Value(dtype='string', id=None)}

的字符串
之后：

dataset.features

{'idx': Value(dtype='int64', id=None),
 'label': ClassLabel(num_classes=2, names=['negative', 'positive'], id=None),
 'sentence1': Value(dtype='string', id=None),
 'sentence2': Value(dtype='string', id=None)}

的字符串

默认情况下，分类模型进行二进制分类，num_labels类设置为None。将num_labels设置为1会使其成为回归问题，因此会出现错误。您可以在此处阅读更多信息：https://simpletransformers.ai/docs/classification-models/#classificationmodel