当前位置:   article > 正文

torch.nn.BCELoss

torch.nn.bceloss

1. torch.nn.BCELoss

之前介绍过torch.nn.CrossEntropyLoss,这个函数既可以用来计算二分类,也可以用来计算多分类,这两个函数是有区别的,CrossEntropyLoss函数中结合了LogSoftmax以及NLLLOSS,下面介绍一下torch.nn.BCELoss,这里说明以下BCELoss并没有结合前面的非线性函数

torch.nn.BCELoss

  • Input: (N, ∗) where ∗ means, any number of additional dimensions
  • Target: (N, ∗), same shape as the input

其中input以及target的维度是相同的

先列出二元分类公式:

L = 1 N ∑ i L i = 1 N ∑ i − [ y i l o g ( p i ) + ( 1 − y i ) l o g ( 1 − p i ) ] L = \frac{1}{N}\sum_{i}L_{i} = \frac{1}{N}\sum_{i}-[y_{i}log(p_{i})+(1-y_{i})log(1-p_{i})] L=N1iLi=N1i[yilog(pi)+(1yi)log(1pi)]

下面举例说明函数的具体运算过程:

import torch
import torch.nn as nn
import numpy as np
from math import exp
from math import log


input = torch.tensor([[0.9,0.1,0.3], [0.4,0.8,0.2]], dtype=torch.float)
target = torch.tensor([[1,0,0], [0,1,0]], dtype=torch.float)
print("input:", input)
print("target:", target)
'''
input: tensor([[0.9000, 0.1000, 0.3000],
        [0.4000, 0.8000, 0.2000]])
target: tensor([[1., 0., 0.],
        [0., 1., 0.]])
'''

# 计算BCELoss
m = nn.Sigmoid()
loss = nn.BCELoss()
Bloss = loss(input, target)
print(Bloss)
'''
tensor(0.2541)
'''
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26

因为我理解的不够透彻,这里先加入我的个人理解,N行,即Batchsize,有N批;列呢就是这一批样本中的样本数。虽然input和target有行和列分别是矩阵的形式,但是因为是二分类,所以只要一个input与一个target对应就可以了,比如input和target分别取第一行第二列的值0.1和0,代表我们的预测概率为0.1,但是真实值为0

下面用公式验证上述BCELoss的正确性,通过下述计算确实与上面相同

L1 = (1*log(0.9) + 1*log(1-0.1) + 1*log(1-0.3))/(-3)
L2 = (1*log(1-0.4) + 1*log(0.8) + 1*log(1-0.2))/(-3)
L = (L1+L2)/2
print(L)
'''
0.2540847836081325
'''
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7

2. torch.nn.BCEWithLogitsLoss

在计算时,我们会得到一个分数,这个分数就对应着我们的预测概率 P i P_{i} Pi,但是求loss时要求我们的结果都在 [ 0 , 1 ] [0, 1] [0,1]之间,那就需要加入一个sigmoid函数,恰巧torch.nn.Sigmoid为我们提供了这个函数

torch.nn.BCEWithLogitsLoss同时结合了SigmoidBCELoss函数

下面举例说明:

batch_size = 2
class_num = 3
inputs = torch.randn(batch_size, class_num)
for i in range(batch_size):
    for j in range(class_num):
        inputs[i][j] = (i + 1) * (j + 1)
targets = torch.tensor([[1,0,0], [0,1,0]], dtype=torch.float)
print("inputs:", inputs)
print("targets:", targets)
'''
inputs: tensor([[1., 2., 3.],
        [2., 4., 6.]])
targets: tensor([[1., 0., 0.],
        [0., 1., 0.]])
'''


loss2 = nn.BCEWithLogitsLoss()
Bloss2 = loss2(inputs, targets)
print(Bloss2)
'''
tensor(2.2727)
'''
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23

然后我们用torch.nn.Sigmoid()torch.nn.BCELoss计算

m = nn.Sigmoid()
loss = nn.BCELoss()
inputs_ = m(inputs)
Bloss2_ = loss(inputs_, targets)
print(Bloss2_)
'''
tensor(2.2727)
'''
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8

可以发现二者相同

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/黑客灵魂/article/detail/951128
推荐阅读
相关标签
  

闽ICP备14008679号