在分类任务中我们常常会用到交叉熵来计算loss,交叉熵在torch官方文件中其实是由两部分组成的也就是LogSoftmax+NLLLOSS。这也是为什么我们可以直接将FC层的值输入进交叉熵损失函数,label也不用处理成one-hot的形式。
那么对于交叉熵第一步LogSoftmax公式如下:
根据公式好像看起来就是把softmax的结果求ln好像很简单,但其实这样是错误的!
但在网络的实际训练中log会出现下溢的问题(log 0,nan),而exp则会出现上溢的问题(指数爆炸)。所以尽管理论上是对softmax取对数,但实操中我们需要对公式变形。
当xi(是tensor中的各个元素)为正数的时候,xi-M(M是tensor中最大的值)都不会出现大于0的数字,这样就不会出现指数爆炸的情况了所以上溢出问题就解决了;当xi-M都是很大的负值,但是一定有一个xi-M==0,这样就保证等价log(x),其中x>1并且不是一个很大的数字(如果x接近0,那么log(x)就是接近负无穷大,就会出了溢出问题),这样就解决了下溢出(nan)的问题,但其实我发现还是有log 0所以我们就在做log前+一个很小的数字这样就能够彻底解决下溢出问题了。
最后是实现代码。
def log_softmax(X):
max = torch.max(X)
X = X - max
X_exp = torch.exp(X)
partition = X_exp.sum(dim=1, keepdim=True)
return X - torch.log(partition + 10e-6)