赞
踩
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
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=N1i∑Li=N1i∑−[yilog(pi)+(1−yi)log(1−pi)]
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) '''
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
'''
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Sigmoid
和BCELoss
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) '''
然后我们用torch.nn.Sigmoid()
和torch.nn.BCELoss
计算
m = nn.Sigmoid()
loss = nn.BCELoss()
inputs_ = m(inputs)
Bloss2_ = loss(inputs_, targets)
print(Bloss2_)
'''
tensor(2.2727)
'''
可以发现二者相同
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。