Pytorch损失函数torch.nn.CrossEntropy()详解

nn.CrossEntropy

原先我理解的交叉熵loss的计算步骤分为两步:

  1. 对网络输出做softmax得到y’;
  2. 使用公式loss = -y*lny'计算最终loss。

我以为pytorch中的nn.CrossEntropy()对应第二步中的loss = -y*lny'。其实不是,nn.CrossEntropy()内部把1和2两步都做了,所以我们使用nn.CrossEntropy()的时候不需要对网络输出做softmax。

下面是闲扯

为了更好理解,我们把计算交叉熵loss的步骤分成3步(和上面的那两步是相同的操作):

  1. 对网络输出做softmax得到y’;
  2. 对y’取ln;
  3. y==1对应位置上的lny’乘上 -1。

pytorch把操作1和2封装成了一个叫nn.LogSoftmax()的函数,把操作3封装乘成了nn.NLLLoss()。所以才有网上说的 nn.CrossEntropy() = nn.LogSoftmax() + nn.NLLLoss()。

  • 1
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
torch.nn.functional是PyTorch中的一个模块,用于实现各种神经网络的函数,包括卷积、池化、激活、损失函数等。该模块中的函数是基于Tensor进行操作的,可以灵活地组合使用。 常用函数: 1.卷积函数torch.nn.functional.conv2d 该函数用于进行二维卷积操作,输入包括输入张量、卷积核张量和卷积核大小等参数。示例代码如下: ```python import torch.nn.functional as F input = torch.randn(1, 1, 28, 28) conv1 = nn.Conv2d(1, 6, 5) output = F.conv2d(input, conv1.weight, conv1.bias, stride=1, padding=2) ``` 2.池化函数torch.nn.functional.max_pool2d 该函数用于进行二维最大池化操作,输入包括输入张量、池化核大小等参数。示例代码如下: ```python import torch.nn.functional as F input = torch.randn(1, 1, 28, 28) output = F.max_pool2d(input, kernel_size=2, stride=2) ``` 3.激活函数torch.nn.functional.relu 该函数用于进行ReLU激活操作,输入包括输入张量等参数。示例代码如下: ```python import torch.nn.functional as F input = torch.randn(1, 10) output = F.relu(input) ``` 4.损失函数torch.nn.functional.cross_entropy 该函数用于计算交叉熵损失,输入包括预测结果和真实标签等参数。示例代码如下: ```python import torch.nn.functional as F input = torch.randn(3, 5) target = torch.tensor([1, 0, 4]) output = F.cross_entropy(input, target) ``` 以上是torch.nn.functional模块中的一些常用函数,除此之外还有很多其他函数,可以根据需要进行查阅。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值