快捷導(dǎo)航

Pytorch損失函數(shù)torch.nn.NLLLoss()的使用

更新時(shí)間：2023年02月01日 09:35:27 作者：Jeremy_lf

這篇文章主要介紹了Pytorch損失函數(shù)torch.nn.NLLLoss()的使用，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教

Pytorch損失函數(shù)torch.nn.NLLLoss()

在各種深度學(xué)習(xí)框架中，我們最常用的損失函數(shù)就是交叉熵（torch.nn.CrossEntropyLoss），熵是用來描述一個(gè)系統(tǒng)的混亂程度,通過交叉熵我們就能夠確定預(yù)測(cè)數(shù)據(jù)與真是數(shù)據(jù)之間的相近程度。

交叉熵越小，表示數(shù)據(jù)越接近真實(shí)樣本。

交叉熵計(jì)算公式

就是我們預(yù)測(cè)的概率的對(duì)數(shù)與標(biāo)簽的乘積，當(dāng)qk->1的時(shí)候，它的損失接近零。

nn.NLLLoss

官方文檔中介紹稱：

nn.NLLLoss輸入是一個(gè)對(duì)數(shù)概率向量和一個(gè)目標(biāo)標(biāo)簽，它與nn.CrossEntropyLoss的關(guān)系可以描述為：softmax(x)+log(x)+nn.NLLLoss====>nn.CrossEntropyLoss

CrossEntropyLoss()=log_softmax() + NLLLoss()

其中softmax函數(shù)又稱為歸一化指數(shù)函數(shù)，它可以把一個(gè)多維向量壓縮在（0，1）之間，并且它們的和為1.

計(jì)算公式

示例代碼：

import math
z = [1.0, 2.0, 3.0, 4.0, 1.0, 2.0, 3.0]
z_exp = [math.exp(i) for i in z]  
print(z_exp)  # Result: [2.72, 7.39, 20.09, 54.6, 2.72, 7.39, 20.09] 
sum_z_exp = sum(z_exp)  
print(sum_z_exp)  # Result: 114.98 
softmax = [round(i / sum_z_exp, 3) for i in z_exp]
print(softmax)  # Result: [0.024, 0.064, 0.175, 0.475, 0.024, 0.064, 0.175]

log_softmax

log_softmax是指在softmax函數(shù)的基礎(chǔ)上，再進(jìn)行一次log運(yùn)算，此時(shí)結(jié)果有正有負(fù)，log函數(shù)的值域是負(fù)無窮到正無窮，當(dāng)x在0—1之間的時(shí)候，log(x)值在負(fù)無窮到0之間。

nn.NLLLoss

此時(shí)，nn.NLLLoss的結(jié)果就是把上面的輸出與Label對(duì)應(yīng)的那個(gè)值拿出來，再去掉負(fù)號(hào)，再求均值。

代碼示例：

import torch
input=torch.randn(3,3)
soft_input = torch.nn.Softmax(dim=0)
soft_input(input)
Out[20]: 
tensor([[0.7284, 0.7364, 0.3343],
        [0.1565, 0.0365, 0.0408],
        [0.1150, 0.2270, 0.6250]])

#對(duì)softmax結(jié)果取log
torch.log(soft_input(input))
Out[21]: 
tensor([[-0.3168, -0.3059, -1.0958],
        [-1.8546, -3.3093, -3.1995],
        [-2.1625, -1.4827, -0.4701]])

假設(shè)標(biāo)簽是[0,1,2]，第一行取第0個(gè)元素，第二行取第1個(gè)，第三行取第2個(gè)，去掉負(fù)號(hào)，即[0.3168,3.3093,0.4701],求平均值，就可以得到損失值。

(0.3168+3.3093+0.4701)/3
Out[22]: 1.3654000000000002

#驗(yàn)證一下

loss=torch.nn.NLLLoss()
target=torch.tensor([0,1,2])
loss(input,target)
Out[26]: tensor(0.1365)

nn.CrossEntropyLoss

loss=torch.nn.NLLLoss()
target=torch.tensor([0,1,2])
loss(input,target)
Out[26]: tensor(-0.1399)
loss =torch.nn.CrossEntropyLoss()
input = torch.tensor([[ 1.1879,  1.0780,  0.5312],
        [-0.3499, -1.9253, -1.5725],
        [-0.6578, -0.0987,  1.1570]])
target = torch.tensor([0,1,2])
loss(input,target)
Out[30]: tensor(0.1365)

以上為全部實(shí)驗(yàn)驗(yàn)證兩個(gè)loss函數(shù)之間的關(guān)系?。?！