交叉熵损失函数 nn.BCELoss()和crossentropyloss（）

交叉熵损失函数

交叉熵主要是用来判定实际的输出与期望的输出的接近程度。在做分类训练的时候，如果一个样本属于第K类，那么这个类别所对应的输出节点的输出值应该为1，而其他节点的输出为0，即[0,0,0,1,0……,0,0]，这个数组也就是样本的Lable，是神经网络最期望的输出结果。也就是说用它来衡量网络的输出与标签的差异，利用这种差异经过反向传播去更新网络参数。

在多分类问题中输出层的函数是Softmax函数，在二分类问题中的输出层的函数时Sigmod函数。

CrossEntropy损失函数适用于总共有N个类别的分类。当N=2时，即二分类任务，只需要判断是还是否的问题，就可以使用二分类交叉损失函数BCELoss

交叉熵原理

**信息量：**用来衡量一个事件的不确定性；一个事件发生的概率越大，不确定性越小，则它所携带的信息量就越小。假设X是一个离散型随机变量，其取值集合为X，概率分布函数为$$p(x)=P(X=x),x\in X$$，我们定义事件$$X=x_0$$的信息量为：$$I(x_0)=-log(p(x_0))$$当$$p(x_0)=1$$时，信息量将等于0，也就是说该事件的发生不会导致任何信息量的增加。

**熵：**用来衡量一个系统的混乱程度，代表一个系统中信息量的总和；信息量总和越大，表明这个系统不确定性就越大。

**交叉熵：**它主要刻画的是实际输出（概率）与期望输出（概率）的距离，也就是交叉熵的值越小，两个概率分布就越接近。假设概率分布p为期望输出，概率分布q为实际输出，H(p,q)为交叉熵，则

$$H(p,q)=-{\Sigma }_x(p(x)logq(x))+(1-p(x))log(1-q(x)))$$

当实际输出概率和期望概率差不多时，交叉熵会小

pytorch交叉熵实现

交叉熵损失是分类中最常用的一个损失函数。在Pytorch中是基于下面的公式实现的。

$$Loss\left(\hat{x},x\right)=\underset{i=1}{\stackrel{n}{\Sigma }}x\log \left(\hat{x}\right)$$

其中$$x$$是真实标签，$$\hat{x}$$是预测的类分布（通常是使用softmax将模型输出转换为概率分布）

BCELoss

$$Loss=-\frac{1}{N}\underset{i=1}{\stackrel{n}{\Sigma }}[y_{i}log(p_i)+(1-y_i)log(1-p_i)]$$

crossentropyloss

$$H(p,q)=-{\Sigma }_x(p(x)logq(x))+(1-p(x))log(1-q(x)))$$

$$Loss\left(\hat{x},x\right)=\underset{i=1}{\stackrel{n}{\Sigma }}x\log \left(\hat{x}\right)$$

crossentropyloss()和BCELoss()原理是一样的，但是具体的计算结果是不一样的，首先是公式就不一样

import torch
import torch.nn as nn
from math import log
bce_loss = nn.BCELoss()
pred_pro = torch.tensor([0.8, 0.2, 0.4], dtype=torch.float)
label = torch.tensor([1, 0, 0], dtype=torch.float)

print(bce_loss(pred_pro, label))

cro = nn.CrossEntropyLoss()
print(cro(pred_pro, label))

tensor(0.3190)
tensor(0.7971)

实验证明两个结果是不一样的，但是经过计算发现不止是公式不同，本人知识有限，没有再深究了 欢迎各位补充

大概知道什么意思能能用就行