实现对称交叉熵损失函数

1 定义对称交叉熵损失函数

import torch
import torch.nn.functional as F
import numpy as np

eps = 1e-7

class SCELoss(torch.nn.Module):
    def __init__(self, alpha, beta, num_classes=10):
        super(SCELoss, self).__init__()
        self.device = 'cuda' if torch.cuda.is_available() else 'cpu'
        self.alpha = alpha
        self.beta = beta
        self.num_classes = num_classes
        self.cross_entropy = torch.nn.CrossEntropyLoss()

    def forward(self, pred, labels):
        # CCE
        ce = self.cross_entropy(pred, labels.long()) #zzy修改.long()

        # RCE
        pred = F.softmax(pred, dim=1) #softmax函数将原始分数转换为标准化的概率分布,使得概率之和为1
        pred = torch.clamp(pred, min=1e-7, max=1.0) #clamp将张量pred中的所有元素裁剪到指定的取值范围内
        label_one_hot = torch.nn.functional.one_hot(labels.to(torch.int64), self.num_classes).float().to(self.device) #zzy修改to(torch.int64)
        label_one_hot = torch.clamp(label_one_hot, min=1e-4, max=1.0)
        rce = (-1*torch.sum(pred * torch.log(label_one_hot), dim=1))

        # Loss
        loss = self.alpha * ce + self.beta * rce.mean()
        return loss

2 调用交叉熵损失函数

if loss_function =='SCE':
        criterion = SCELoss(alpha=0.1, beta=1.0, num_classes=10)

loss = criterion(outputs, labels)

3 参考文章
Robust Federated Learning with Noisy and Heterogeneous Clients(cvpr 2022)

  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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