PyTorch基礎(chǔ)之torch.nn.CrossEntropyLoss交叉熵?fù)p失

更新時間：2023年02月02日 09:00:19 作者：gy笨瓜

這篇文章主要介紹了PyTorch基礎(chǔ)之torch.nn.CrossEntropyLoss交叉熵?fù)p失講解，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教

torch.nn.CrossEntropyLoss交叉熵?fù)p失

本文只考慮基本情況，未考慮加權(quán)。

torch.nnCrossEntropyLosss使用的公式

目標(biāo)類別采用one-hot編碼

其中，class表示當(dāng)前樣本類別在one-hot編碼中對應(yīng)的索引(從0開始)，

x[j]表示預(yù)測函數(shù)的第j個輸出

公式(1)表示先對預(yù)測函數(shù)使用softmax計(jì)算每個類別的概率，再使用log(以e為底)計(jì)算后的相反數(shù)表示當(dāng)前類別的損失，只表示其中一個樣本的損失計(jì)算方式，非全部樣本。

每個樣本使用one-hot編碼表示所屬類別時，只有一項(xiàng)為1，因此與基本的交叉熵?fù)p失函數(shù)相比，省略了其它值為0的項(xiàng)，只剩(1)所表示的項(xiàng)。

sample

torch.nn.CrossEntropyLoss使用流程

torch.nn.CrossEntropyLoss為一個類，并非單獨(dú)一個函數(shù)，使用到的相關(guān)簡單參數(shù)會在使用中說明，并非對所有參數(shù)進(jìn)行說明。

首先創(chuàng)建類對象

In [1]: import torch
In [2]: import torch.nn as nn
In [3]: loss_function = nn.CrossEntropyLoss(reduction="none")

參數(shù)reduction默認(rèn)為"mean"，表示對所有樣本的loss取均值，最終返回只有一個值

參數(shù)reduction取"none"，表示保留每一個樣本的loss

計(jì)算損失

In [4]: pred = torch.tensor([[0.0541,0.1762,0.9489],[-0.0288,-0.8072,0.4909]], dtype=torch.float32)
In [5]: class_index = torch.tensor([0, 2], dtype=torch.int64)
In [6]: loss_value = loss_function(pred, class_index)
In [7]: loss_value
Out[7]: tensor([1.5210, 0.6247]) # 與上述【sample】計(jì)算一致

實(shí)際計(jì)算損失值調(diào)用函數(shù)時，傳入pred預(yù)測值與class_index類別索引

在傳入每個類別時，class_index應(yīng)為一維，長度為樣本個數(shù)，每個元素表示對應(yīng)樣本的類別索引，非one-hot編碼方式傳入

測試torch.nn.CrossEntropyLoss的reduction參數(shù)為默認(rèn)值"mean"

In [1]: import torch
In [2]: import torch.nn as nn
In [3]: loss_function = nn.CrossEntropyLoss(reduction="mean")
In [4]: pred = torch.tensor([[0.0541,0.1762,0.9489],[-0.0288,-0.8072,0.4909]], dtype=torch.float32)
In [5]: class_index = torch.tensor([0, 2], dtype=torch.int64)
In [6]: loss_value = loss_function(pred, class_index)
In [7]: loss_value
Out[7]: 1.073 # 與上述【sample】計(jì)算一致

交叉熵?fù)p失nn.CrossEntropyLoss()的真正計(jì)算過程

對于多分類損失函數(shù)Cross Entropy Loss，就不過多的解釋，網(wǎng)上的博客不計(jì)其數(shù)。在這里，講講對于CE Loss的一些真正的理解。

首先大部分博客給出的公式如下：

其中p為真實(shí)標(biāo)簽值，q為預(yù)測值。

在低維復(fù)現(xiàn)此公式，結(jié)果如下。在此強(qiáng)調(diào)一點(diǎn)，pytorch中CE Loss并不會將輸入的target映射為one-hot編碼格式，而是直接取下標(biāo)進(jìn)行計(jì)算。

import torch
import torch.nn as nn
import math
import numpy as np

#官方的實(shí)現(xiàn)
entroy=nn.CrossEntropyLoss()
input=torch.Tensor([[0.1234, 0.5555,0.3211],[0.1234, 0.5555,0.3211],[0.1234, 0.5555,0.3211],])
target = torch.tensor([0,1,2])
output = entroy(input, target)
print(output)
#輸出 tensor(1.1142)

#自己實(shí)現(xiàn)
input=np.array(input)
target = np.array(target)
def cross_entorpy(input, target):
    output = 0
    length = len(target)
    for i in range(length):
        hou = 0
        for j in input[i]:
            hou += np.log(input[i][target[i]])
        output += -hou
    return np.around(output / length, 4)
print(cross_entorpy(input, target))
#輸出 3.8162

我們按照官方給的CE Loss和根據(jù)公式得到的答案并不相同，說明公式是有問題的。

正確公式

實(shí)現(xiàn)代碼如下

import torch
import torch.nn as nn
import math
import numpy as np

entroy=nn.CrossEntropyLoss()
input=torch.Tensor([[0.1234, 0.5555,0.3211],[0.1234, 0.5555,0.3211],[0.1234, 0.5555,0.3211],])
target = torch.tensor([0,1,2])
output = entroy(input, target)
print(output)
#輸出 tensor(1.1142)
#%%
input=np.array(input)
target = np.array(target)
def cross_entorpy(input, target):
    output = 0
    length = len(target)
    for i in range(length):
        hou = 0
        for j in input[i]:
            hou += np.exp(j)
        output += -input[i][target[i]] + np.log(hou)
    return np.around(output / length, 4)
print(cross_entorpy(input, target))
#輸出 1.1142

對比自己實(shí)現(xiàn)的公式和官方給出的結(jié)果，可以驗(yàn)證公式的正確性。

觀察公式可以發(fā)現(xiàn)其實(shí)nn.CrossEntropyLoss()是nn.logSoftmax()和nn.NLLLoss()的整合版本。

nn.logSoftmax()，公式如下

nn.NLLLoss()，公式如下

將nn.logSoftmax()作為變量帶入nn.NLLLoss()可得

因?yàn)?/p>

可看做一個常量，故上式可化簡為：

對比nn.Cross Entropy Loss公式，結(jié)果顯而易見。

驗(yàn)證代碼如下。

import torch
import torch.nn as nn
import math
import numpy as np

entroy=nn.CrossEntropyLoss()
input=torch.Tensor([[0.1234, 0.5555,0.3211],[0.1234, 0.5555,0.3211],[0.1234, 0.5555,0.3211],])
target = torch.tensor([0,1,2])
output = entroy(input, target)
print(output)
# 輸出為tensor(1.1142)
m = nn.LogSoftmax()
loss = nn.NLLLoss()
input=m(input)
output = loss(input, target)
print(output)
# 輸出為tensor(1.1142)