這篇文章給大家介紹Loss function函數(shù)如何在Pytorch中使用，內(nèi)容非常詳細(xì)，感興趣的小伙伴們可以參考借鑒，希望對大家能有所幫助。
目前創(chuàng)新互聯(lián)建站已為超過千家的企業(yè)提供了網(wǎng)站建設(shè)、域名、網(wǎng)頁空間、網(wǎng)站運(yùn)營、企業(yè)網(wǎng)站設(shè)計、朝陽網(wǎng)站維護(hù)等服務(wù)，公司將堅持客戶導(dǎo)向、應(yīng)用為本的策略，正道將秉承"和諧、參與、激情"的文化，與客戶和合作伙伴齊心協(xié)力一起成長，共同發(fā)展。1.損失函數(shù)
損失函數(shù)，又叫目標(biāo)函數(shù)，是編譯一個神經(jīng)網(wǎng)絡(luò)模型必須的兩個要素之一。另一個必不可少的要素是優(yōu)化器。
損失函數(shù)是指用于計算標(biāo)簽值和預(yù)測值之間差異的函數(shù)，在機(jī)器學(xué)習(xí)過程中，有多種損失函數(shù)可供選擇，典型的有距離向量，絕對值向量等。
損失Loss必須是標(biāo)量，因為向量無法比較大?。ㄏ蛄勘旧硇枰ㄟ^范數(shù)等標(biāo)量來比較）。
損失函數(shù)一般分為4種，平方損失函數(shù)，對數(shù)損失函數(shù)，HingeLoss 0-1 損失函數(shù)，絕對值損失函數(shù)。
我們先定義兩個二維數(shù)組，然后用不同的損失函數(shù)計算其損失值。
import torch from torch.autograd import Variable import torch.nn as nn import torch.nn.functional as F sample = Variable(torch.ones(2,2)) a=torch.Tensor(2,2) a[0,0]=0 a[0,1]=1 a[1,0]=2 a[1,1]=3 target = Variable (a)
sample 的值為：[[1,1],[1,1]]。
target 的值為：[[0,1],[2,3]]。
1 nn.L1Loss
L1Loss 計算方法很簡單，取預(yù)測值和真實值的絕對誤差的平均數(shù)即可。
criterion = nn.L1Loss() loss = criterion(sample, target) print(loss)
最后結(jié)果是：1。
它的計算邏輯是這樣的：
先計算絕對差總和：|0-1|+|1-1|+|2-1|+|3-1|=4；
然后再平均：4/4=1。
2 nn.SmoothL1Loss
SmoothL1Loss 也叫作 Huber Loss，誤差在 (-1,1) 上是平方損失，其他情況是 L1 損失。
criterion = nn.SmoothL1Loss() loss = criterion(sample, target) print(loss)
最后結(jié)果是：0.625。
3 nn.MSELoss
平方損失函數(shù)。其計算公式是預(yù)測值和真實值之間的平方和的平均數(shù)。
criterion = nn.MSELoss() loss = criterion(sample, target) print(loss)
最后結(jié)果是：1.5。
4 nn.CrossEntropyLoss
交叉熵?fù)p失函數(shù)
花了點時間才能看懂它。
首先，先看幾個例子，
需要注意的是，target輸入必須是 tensor long 類型（int64位）
import torch # cross entropy loss pred = np.array([[0.8, 2.0, 1.2]]) CELoss = torch.nn.CrossEntropyLoss() for k in range(3): target = np.array([k]) loss2 = CELoss(torch.from_numpy(pred), torch.from_numpy(target).long()) print(loss2)
Output：
tensor(1.7599, dtype=torch.float64) tensor(0.5599, dtype=torch.float64) tensor(1.3599, dtype=torch.float64)
如果，改成pred = np.array([[0.8, 2.0, 2.0]])，輸出，
tensor(2.0334, dtype=torch.float64) tensor(0.8334, dtype=torch.float64) tensor(0.8334, dtype=torch.float64)
后面兩個輸出一樣。
先看它的公式，就明白怎么回事了：
（這個應(yīng)該是有兩個標(biāo)準(zhǔn)交叉熵組成了，后面一個算是預(yù)測錯誤的交叉熵？反正，數(shù)值會變大了）
使用 numpy來實現(xiàn)是這樣的：
pred = np.array([[0.8, 2.0, 2.0]]) nClass = pred.shape[1] target = np.array([0]) def labelEncoder(y): tmp = np.zeros(shape = (y.shape[0], nClass)) for i in range(y.shape[0]): tmp[i][y[i]] = 1 return tmp def crossEntropy(pred, target): target = labelEncoder(target) pred = softmax(pred) H = -np.sum(target*np.log(pred)) return H H = crossEntropy(pred, target)
輸出：
2.0334282107562287
對上了！
再回頭看看，公式
這里，就是class 就是索引，（調(diào)用 nn.CrossEntropyLoss需要注意），這里把Softmax求p 和 ylog(p)寫在一起，一開始還沒反應(yīng)過來。
5.nn.BCELoss
二分類交叉熵的含義其實在交叉熵上面提過，就是把{y, 1-y}當(dāng)做兩項分布，計算出來的loss就比交叉熵大（也就是包含的信息更多了，因為包含了正類和負(fù)類的loss了）。
最后結(jié)果是：-13.8155。
6 nn.NLLLoss
負(fù)對數(shù)似然損失函數(shù)（Negative Log Likelihood）
在前面接上一個 LogSoftMax 層就等價于交叉熵?fù)p失了。注意這里的 xlabel 和上個交叉熵?fù)p失里的不一樣，這里是經(jīng)過 log 運(yùn)算后的數(shù)值。這個損失函數(shù)一般也是用在圖像識別模型上。
NLLLoss 的 輸入 是一個對數(shù)概率向量和一個目標(biāo)標(biāo)簽(不需要是one-hot編碼形式的). 它不會為我們計算對數(shù)概率. 適合網(wǎng)絡(luò)的最后一層是log_softmax. 損失函數(shù) nn.CrossEntropyLoss() 與 NLLLoss() 相同, 唯一的不同是它為我們?nèi)プ?softmax.
Nn.NLLLoss 和 nn.CrossEntropyLoss 的功能是非常相似的！通常都是用在多分類模型中，實際應(yīng)用中我們一般用 NLLLoss 比較多。
7 nn.NLLLoss2d
和上面類似，但是多了幾個維度，一般用在圖片上。
input, (N, C, H, W)
target, (N, H, W)
比如用全卷積網(wǎng)絡(luò)做分類時，最后圖片的每個點都會預(yù)測一個類別標(biāo)簽。
criterion = nn.NLLLoss2d() loss = criterion(sample, target) print(loss)
最后結(jié)果是：報錯，看來不能直接這么用！
8 .BCEWithLogitsLoss 與 MultilabelSoftMarginLoss
BCEWithLogitsLoss :
這里，主要x,y的順序，x為predict的輸出（還沒有sigmoid）；y為真實標(biāo)簽，一般是[0,1],但是真實標(biāo)簽也可以是概率表示，如[0.1, 0.9].
可以看出，這里與 BCELoss相比，它幫你做sigmoid 操作，不需要你輸出時加激活函數(shù)。
MultiLabelSoftMarginLoss :
可以看出， 后者是前者權(quán)值為1時的特例。
重慶分公司
重慶分公司
import torch
from torch.autograd import Variable
from torch import nn
x = Variable(torch.randn(10, 3))
y = Variable(torch.FloatTensor(10, 3).random_(2))
# double the loss for class 1
class_weight = torch.FloatTensor([1.0, 2.0, 1.0])
# double the loss for last sample
element_weight = torch.FloatTensor([1.0]*9 + [2.0]).view(-1, 1)
element_weight = element_weight.repeat(1, 3)
bce_criterion = nn.BCEWithLogitsLoss(weight=None, reduce=False)
multi_criterion = nn.MultiLabelSoftMarginLoss(weight=None, reduce=False)
bce_criterion_class = nn.BCEWithLogitsLoss(weight=class_weight, reduce=False)
multi_criterion_class = nn.MultiLabelSoftMarginLoss(weight=class_weight,
reduce=False)
bce_criterion_element = nn.BCEWithLogitsLoss(weight=element_weight, reduce=False)
multi_criterion_element = nn.MultiLabelSoftMarginLoss(weight=element_weight,
reduce=False)
bce_loss = bce_criterion(x, y)
multi_loss = multi_criterion(x, y)
bce_loss_class = bce_criterion_class(x, y)
multi_loss_class = multi_criterion_class(x, y)
print(bce_loss_class)
print(multi_loss_class)
print('bce_loss',bce_loss)
print('bce loss mean', torch.mean(bce_loss, dim = 1))
print('multi_loss', multi_loss)9.比較BCEWithLogitsLoss和TensorFlow的 sigmoid_cross_entropy_with_logits；softmax_cross_entropy_with_logits
pytorch BCEwithLogitsLoss 參考前面8的介紹。
from torch import nn from torch.autograd import Variable bce_criterion = nn.BCEWithLogitsLoss(weight = None, reduce = False) y = Variable(torch.tensor([[1,0,0],[0,1,0],[0,0,1],[1,1,0],[0,1,0]],dtype=torch.float64)) logits = Variable(torch.tensor([[12,3,2],[3,10,1],[1,2,5],[4,6.5,1.2],[3,6,1]],dtype=torch.float64)) bce_criterion(logits, y)
result：
tensor([[6.1442e-06, 3.0486e+00, 2.1269e+00], [3.0486e+00, 4.5399e-05, 1.3133e+00], [1.3133e+00, 2.1269e+00, 6.7153e-03], [1.8150e-02, 1.5023e-03, 1.4633e+00], [3.0486e+00, 2.4757e-03, 1.3133e+00]], dtype=torch.float64)
如果使用 TensorFlow的sigmoid_cross_entropy_with_logits,
y = np.array([[1,0,0],[0,1,0],[0,0,1],[1,1,0],[0,1,0]]) logits = np.array([[12,3,2],[3,10,1],[1,2,5],[4,6.5,1.2],[3,6,1]]).astype(np.float32) sess =tf.Session() y = np.array(y).astype(np.float32) # labels是float64的數(shù)據(jù)類型 E2 = sess.run(tf.nn.sigmoid_cross_entropy_with_logits(labels=y,logits=logits)) print(E2)
result
[[6.1441933e-06 3.0485873e+00 2.1269281e+00] [3.0485873e+00 4.5398901e-05 1.3132617e+00] [1.3132617e+00 2.1269281e+00 6.7153485e-03] [1.8149929e-02 1.5023102e-03 1.4632825e+00] [3.0485873e+00 2.4756852e-03 1.3132617e+00]]
從結(jié)果來看，兩個是等價的。
其實，兩個損失函數(shù)都是，先預(yù)測結(jié)果sigmoid，再求交叉熵。
Keras binary_crossentropy 也是調(diào)用 Tf sigmoid_cross_entropy_with_logits.
keras binary_crossentropy 源碼;
def loss_fn(y_true, y_pred, e=0.1): bce_loss = K.binary_crossentropy(y_true, y_pred) return K.mean(bce_loss, axis = -1) y = K.variable([[1,0,0],[0,1,0],[0,0,1],[1,1,0],[0,1,0]]) logits = K.variable([[12,3,2],[3,10,1],[1,2,5],[4,6.5,1.2],[3,6,1]]) res = loss_fn(logits, y) print(K.get_value(res)) from keras.losses import binary_crossentropy print(K.get_value(binary_crossentropy(logits, y)))
result:
[-31.59192 -26.336359 -5.1384177 -38.72286 -5.0798492] [-31.59192 -26.336359 -5.1384177 -38.72286 -5.0798492]
同樣，如果是softmax_cross_entropy_with_logits的話，
y = np.array([[1,0,0],[0,1,0],[0,0,1],[1,1,0],[0,1,0]]) logits = np.array([[12,3,2],[3,10,1],[1,2,5],[4,6.5,1.2],[3,6,1]]).astype(np.float32) sess =tf.Session() y = np.array(y).astype(np.float32) # labels是float64的數(shù)據(jù)類型 E2 = sess.run(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=logits)) print(E2)
result：
[1.6878611e-04 1.0346780e-03 6.5883912e-02 2.6669841e+00 5.4985214e-02]
發(fā)現(xiàn)維度都已經(jīng)變了，這個是 N*1維了。
即使，把上面sigmoid_cross_entropy_with_logits的結(jié)果維度改變，也是 [1.725174 1.4539648 1.1489683 0.49431157 1.4547749 ]，兩者還是不一樣。
關(guān)于選用softmax_cross_entropy_with_logits還是sigmoid_cross_entropy_with_logits,使用softmax，精度會更好，數(shù)值穩(wěn)定性更好，同時，會依賴超參數(shù)。
2 其他不常用loss
| 函數(shù) | 作用 |
|---|---|
| AdaptiveLogSoftmaxWithLoss | 用于不平衡類 |
關(guān)于Loss function函數(shù)如何在Pytorch中使用就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，可以學(xué)到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。
