pytorch 绘制多个算法loss_pytorch: 做多分类时

常用的一个分类的损失函数是：交叉熵函数

但是真的理解了吗？虽然之前做过图像分类，但是一直没有深入研究，我今天才真正的理解并且记住了它。

pytorch中的交叉熵函数在是 torch.nn中是 CrossEntropyLoss()。

对于二分类问题(一般 标签为 【0，1】)，交叉函数公式表示为：

在二分类中，我们通过神经网络的到一个映射值，随后会通过sigmoid函数，输出一个概率值，反映该样本是正例的可能性，即概率越大，可能性越大。(这里会有一个似然函数的概念，似然函数简单的理解就是 所有可能发生的可能性【记一下，后面补充更好的理解】)

sigmoid函数：

将网络的输出映射到[0,1]之间的数值概率上，即为交叉熵函数中的那个预测概率输出(

)。

或预测输出表征当前样本label为1的概率：

因此样本label为0 时，概率为：

将上面的两个公式整理为:

希望

越大越好，反之，需要让

的负值越小越好，由此引入了最初的损失函数。

对于多分类，就意味着对每个标签类别下的的可能概率分别求相应的

并求和：

上面的二分类，可以用y,1-y代表1，0。多分类的时候要把类别各写各的，所以看起来变成了一半，其实是一样的！！！

在pytorch中使用 CrossEntropyLoss()时，不需要自己再做sigmoid或者softmax辽。参考下面这个博客，非常详细。要注意，target类型要转为torch.long().