Pytorch損失函數torch.nn.NLLLoss()詳解

在各種深度學習框架中,我們最常用的損失函數就是交叉熵(torch.nn.CrossEntropyLoss),熵是用來描述一個系統的混亂程度,通過交叉熵我們就能夠確定預測數據與真是數據之間的相近程度。交叉熵越小,表示數據越接近真實樣本。

交叉熵計算公式:

就是我們預測的概率的對數與標籤的乘積,當qk->1的時候,它的損失接近零。

nn.NLLLoss
官方文檔中介紹稱: nn.NLLLoss輸入是一個對數概率向量和一個目標標籤,它與nn.CrossEntropyLoss的關係可以描述爲:softmax(x)+log(x)+nn.NLLLoss====>nn.CrossEntropyLoss

CrossEntropyLoss()=log_softmax() + NLLLoss() 

其中softmax函數又稱爲歸一化指數函數,它可以把一個多維向量壓縮在(0,1)之間,並且它們的和爲1.

計算公式:
1
示例代碼

import math
z = [1.0, 2.0, 3.0, 4.0, 1.0, 2.0, 3.0]
z_exp = [math.exp(i) for i in z]  
print(z_exp)  # Result: [2.72, 7.39, 20.09, 54.6, 2.72, 7.39, 20.09] 
sum_z_exp = sum(z_exp)  
print(sum_z_exp)  # Result: 114.98 
softmax = [round(i / sum_z_exp, 3) for i in z_exp]
print(softmax)  # Result: [0.024, 0.064, 0.175, 0.475, 0.024, 0.064, 0.175]

log_softmax
log_softmax是指在softmax函數的基礎上,再進行一次log運算,此時結果有正有負,log函數的值域是負無窮到正無窮,當x在0—1之間的時候,log(x)值在負無窮到0之間。

nn.NLLLoss
此時,nn.NLLLoss的結果就是把上面的輸出與Label對應的那個值拿出來,再去掉負號,再求均值。
代碼示例:

import torch
input=torch.randn(3,3)
soft_input = torch.nn.Softmax(dim=0)
soft_input(input)
Out[20]: 
tensor([[0.7284, 0.7364, 0.3343],
        [0.1565, 0.0365, 0.0408],
        [0.1150, 0.2270, 0.6250]])

#對softmax結果取log
torch.log(soft_input(input))
Out[21]: 
tensor([[-0.3168, -0.3059, -1.0958],
        [-1.8546, -3.3093, -3.1995],
        [-2.1625, -1.4827, -0.4701]])

假設標籤是[0,1,2],第一行取第0個元素,第二行取第1個,第三行取第2個,去掉負號,即[0.3168,3.3093,0.4701],求平均值,就可以得到損失值。

(0.3168+3.3093+0.4701)/3
Out[22]: 1.3654000000000002

#驗證一下

loss=torch.nn.NLLLoss()
target=torch.tensor([0,1,2])
loss(input,target)
Out[26]: tensor(0.1365)

nn.CrossEntropyLoss

loss=torch.nn.NLLLoss()
target=torch.tensor([0,1,2])
loss(input,target)
Out[26]: tensor(-0.1399)
loss =torch.nn.CrossEntropyLoss()
input = torch.tensor([[ 1.1879,  1.0780,  0.5312],
        [-0.3499, -1.9253, -1.5725],
        [-0.6578, -0.0987,  1.1570]])
target = torch.tensor([0,1,2])
loss(input,target)
Out[30]: tensor(0.1365)

以上爲全部實驗驗證兩個loss函數之間的關係!!!
發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章