數據

import torch import torch.nn.functional as F import numpy as np# 隨機新建3個樣例數據，每個樣例數據包含4個屬性特征 input = torch.randn(3,4) tensor([[ 0.0054, -0.8030, -0.5758, -0.6518],[-0.5518, 0.3904, 0.5296, 0.4973],[ 0.1608, 0.5822, 0.9536, -0.3173]])

softmax

使用softmax對數據進行處理：

F.softmax(input, dim=1)

dim=1表示跨列操作，行數不變。輸出結果：

tensor([[0.3963, 0.1766, 0.2216, 0.2054],[0.1067, 0.2738, 0.3147, 0.3047],[0.1868, 0.2847, 0.4127, 0.1158]])

每一行元素相加為1.

log_softmax

使用log_softmax進行處理：

F.log_softmax(input, dim=1)

輸出結果：

tensor([[-0.9255, -1.7339, -1.5067, -1.5827],[-2.2375, -1.2953, -1.1561, -1.1883],[-1.6778, -1.2564, -0.8850, -2.1558]])

softmax和log_softmax聯系

log_softmax相當于對softmax做了log操作，下面進行驗證：

# 首先將tensor類型轉為numpy類型 np_data = F.softmax(input, dim=1).data.numpy() np.log(np_data)

輸出結果為：

array([[-0.9255125 , -1.7338518 , -1.5066911 , -1.5826656 ],[-2.2374916 , -1.2952974 , -1.1560525 , -1.1883242 ],[-1.6778362 , -1.2563533 , -0.88496906, -2.155847 ]],dtype=float32)

可以看出與log_softmax的結果一致，log_softmax就是對softmax的結果做了log。
softmax將數值壓縮至0~1，而log_softmax將數據壓縮至負無窮~0

NLLLoss

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。

NLLLoss的輸入是一個log_softmax和一個目標label。

假設我們的數據正確的label是[0,2,3]，第一行取第0個元素，第二行取第2個，第三行取第3個，去掉負號，得到[0.9255125，1.1560525，2.155847]，然后求平均，結果是：(0.9255125+1.1560525 + 2.155847)/3=1.4124706666666667

下面使用NLLLoss函數驗證一下：

target = torch.tensor([0,2,3]) loss = F.nll_loss(F.log_softmax(input, dim=1),target)

得到loss=tensor(1.4125)
結果一致。

CrossEntropyLoss

交叉熵的計算公式為：
$$cros{s}_{e}ntropy=?\sum _{k=1}^N(p_k?log{q}_k)$$

其中$p$表示真實值，在這個公式中是one-hot形式；$q$是預測值，在這里假設已經是經過$softmax$后的結果了。

仔細觀察可以知道，因為$p$的元素不是0就是1，而且又是乘法，所以很自然地我們如果知道1所對應的index，那么就不用做其他無意義的運算了。所以在pytorch代碼中target不是以one-hot形式表示的，而是直接用scalar表示。所以交叉熵的公式(m表示真實類別)可變形為：
$$cross\_entropy=?\sum _{k=1}^N(p_k?log{q}_k)=?\sum _{k=1}^N{q}_m$$
仔細看看，是不是就是等同于log_softmax和nll_loss兩個步驟。

CrossEntropyLoss就是把以上Softmax–Log–NLLLoss合并成一步，我們用剛剛隨機出來的input直接驗證一下結果是不是1.4125：

F.cross_entropy(input,target)

輸出結果為tensor(1.4125)，結果一致

總結

以上是生活随笔為你收集整理的Pytorch详解NLLLoss和CrossEntropyLoss、以及softmax和log_softmax的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。