【损失函数】(三) NLLLoss原理 & pytorch代码解析

1.简介

接下来应该要介绍分类任务里最常用的CrossEntropyLoss，但是CrossEntropyLoss里面用到了NLLLoss，所以我们先了解NLLLoss是什么。

---

2.NLLloss

NLLLoss全名叫做Negative Log Likelihood Loss，顾名思义，输入就是log likelihood，对输入的对应部分取负号就是这个loss的输出了，公式可以表示为：

其中是每个类别的权重，默认的全为1，表示对应target那一类的概率。更简单一点来说，就是将对应类别的x输出取负值。比如说x=[-2, -3, -0.5]，y=[0, 0, 1]，那么NLL loss就为对应target那类的输出值的相反数，所以

---

3.思考

那么看到这个公式第一个疑问：loss会出现负数的情况吗？这是不会发生的。因为NLL设定就是用于log likelihood的，所以用来计算loss的输出x是经过softmax再加log后得到的结果。softmax后范围在0-1之间，log之后范围就在-inf-0之间，所以loss肯定为非负数。

接下来是第二个疑问：这个损失函数为什么要这么设计呢？个人认为它是将多分类问题简单化处理，通过softmax将输出加权后使其加起来为1，这样的话只计算一个类别的loss的同时也考虑到了其他概率的影响，不需要像mse那样每个类别都进行计算。实际上softmax+log+NLLloss也就是另外一个常用的损失函数CrossEntropyLoss。关于CrossEntropyLoss具体的介绍会在下一篇文章里说明。

最后一个疑问：可不可以不要log呢？因为实际上softmax之后从数学层面上就已经满足了loss的计算逻辑，加上log只是为了更加符合交叉熵公式的计算方法。所以要去掉log肯定也是可以的，只是交叉熵更加通用一点。还有一种说法是加了log后会让每个点的梯度不一样，log函数越接近0的点梯度越大，损失越大，更新的速度也越快，这样可以加快模型的收敛。

---

4.pytorch代码

以下代码为pytorch官方NLLloss代码，可以看到里面有几个参数，我们大多数情况下使用默认参数设置就好。

torch.nn.NLLLoss(weight=None, size_average=None, ignore_index=- 100, reduce=None, reduction='mean')

其中：

• weight表示每个类别的权重，当标签不平衡的时候可以使用来防止过拟合。
• size_average表示是否将样本的loss进行平均之后输出，默认为true。
• ignore_index表示忽略某一类别，不想训练某些类别时可用。
• reduce表示是否将输出进行压缩，默认为true。当它为false的时候就会无视size_average。
• reduction表示用怎么的方法进行reduce。可以设置为'none','mean','sum'。

其中target为对应类别的真值索引：

import torch
import torch.nn as nn

a = torch.randn(3, 5)
b = torch.Tensor([0, 4, 1]).long()


criterion = nn.NLLLoss()
c = criterion(torch.log(torch.softmax(a, dim=1)), b)
print(c)

---

业务合作/学习交流+v：lizhiTechnology

 如果想要了解更多损失函数相关知识，可以参考我的专栏和其他相关文章：

损失函数_Lcm_Tech的博客-CSDN博客

【损失函数】(一) L1Loss原理 & pytorch代码解析_l1 loss-CSDN博客

【损失函数】(二) L2Loss原理 & pytorch代码解析_l2 loss-CSDN博客

【损失函数】(三) NLLLoss原理 & pytorch代码解析_nll_loss-CSDN博客

【损失函数】(四) CrossEntropyLoss原理 & pytorch代码解析_crossentropyloss 权重-CSDN博客

【损失函数】(五) BCELoss原理 & pytorch代码解析_bce损失函数源码解析-CSDN博客

如果想要了解更多深度学习相关知识，可以参考我的其他文章：

深度学习_Lcm_Tech的博客-CSDN博客

【优化器】(一) SGD原理 & pytorch代码解析_sgd优化器-CSDN博客

【图像生成】(一) DNN 原理 & pytorch代码实例_pytorch dnn代码-CSDN博客