pytorch kl散度学习笔记

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:

评论
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

打赏作者

AI算法网奇

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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