pytorch损失函数之nn.CrossEntropyLoss()、nn.NLLLoss()

nn.CrossEntropyLoss()这个损失函数用于多分类问题虽然说的是交叉熵，但是和我理解的交叉熵不一样。nn.CrossEntropyLoss()是nn.logSoftmax()和nn.NLLLoss()的整合,可以直接使用它来替换网络中的这两个操作。下面我们来看一下计算过程。

首先输入是size是(minibatch,C)。这里的C是类别数。损失函数的计算如下：

$$loss(x,class)=-log(\frac{exp(x[class])}{{\sum }_{j}exp(x[j])})=-x[class]+log(\sum _{j}exp(x[j]))$$

损失函数中也有权重weight参数设置，若设置权重，则公式为：$$loss(x,class)=weight[class](-x[class]+log(\sum _{j}exp(x[j])))$$

其他参数不具体说，和nn.BCELoss()设置差不多，默认情况下，对minibatch的loss求均值。

注意这里的标签值class，并不参与直接计算，而是作为一个索引,索引对象为实际类别

举个栗子，我们一共有三种类别，批量大小为1（为了好计算），那么输入size为（1,3），具体值为torch.Tensor([[-0.7715, -0.6205,-0.2562]])。标签值为target = torch.tensor([0])，这里标签值为0，表示属于第0类。loss计算如下：

import torch
import torch.nn as nn
import math

entroy=nn.CrossEntropyLoss()
input=torch.Tensor([[-0.7715, -0.6205,-0.2562]])
target = torch.tensor([0])
output = entroy(input, target)
print(output)
#根据公式计算

输出：

tensor(1.3447)

动手自己算：

$$-x[0]+log(exp(x[0])+exp(x[1])+exp(x[2]))$$$$=0.7715+log(exp(-0.7715)+exp(-0.6205)+exp(-0.2562)=1.3447266007601868$$
。

我们在看看是否等价nn.logSoftmax()和nn.NLLLoss()的整合：

m = nn.LogSoftmax()
loss = nn.NLLLoss()
input=m(input)
output = loss(input, target)
print('output:',output)

输出：

input: tensor([[-1.3447, -1.1937, -0.8294]])
output: tensor(1.3447)

可以看出nn.LogSoftmax()的对输入的操作就是：$$log(\frac{exp(x)}{{\sum }_{i}exp(x[i])})$$x是输入向量。

而nn.NLLLoss()的操作是：$$los{s}_n=-w_n{x}_{n,y_n}$$这里没有设置权重，也就是权重默认为1，x_{n,y_n}表示目标类所对应输入x中值，则loss就为$$loss=-1\ast x[0]=1.3447$$。