pytorch kl散度学习笔记

AI算法网奇

已于 2022-04-07 16:18:55 修改

阅读量3.4k

点赞数

分类专栏： pytorch知识宝典文章标签： pytorch kl散度

于 2022-04-07 16:11:02 首次发布

本文链接：https://blog.csdn.net/jacke121/article/details/124019403

版权

pytorch知识宝典专栏收录该内容

499 篇文章 226 订阅 ¥29.90 ¥99.00

订阅专栏

超级会员免费看

本文介绍了KL散度的概念，它是衡量两个概率分布相似性的指标。通过一个例子，展示了如何使用PyTorch计算KL散度，以此评估预测分布与真实分布的接近程度。在案例中，通过比较不同猜测的性别比例分布与实际比例，揭示了KL散度在评估概率分布相似性中的作用。

摘要由CSDN通过智能技术生成

KL散度，也叫做相对熵，计算公式如下：

import torch.nn as nn
import torch
import torch.nn.functional as F
if __name__ == '__main__':


    x_o=torch.Tensor([[1,2],[3,4]])
    y_o=torch.Tensor([[0.1,0.2],[0.3,0.4]])

    # x = F.log_softmax(x)
    x = F.softmax(x_o, dim=1)
    y = F.softmax(y_o, dim=1)
    criterion = nn.KLDivLoss()
    klloss = criterion(x, y)

    print('klloss',klloss)

    kl = F.kl_div(x_o.softmax(dim=-1).log(), y_o.softmax(dim=-1), reduction='sum')

    print('kl',kl)

以下内容转自：

了解本专栏