外贸都是在哪些网站做,成都微网站开发,大连网站制作美工,wordpress主题制作视频目录
损失函数与反向传播
L1Loss
MSELOSS
CrossEntropyLoss 损失函数与反向传播
所需的Loss计算函数都在torch.nn的LossFunctions中#xff0c;官方网址是#xff1a;torch.nn — PyTorch 2.0 documentation。举例了L1Loss、MSELoss、CrossEntropyLoss。 在这些Loss函数…目录
损失函数与反向传播
L1Loss
MSELOSS
CrossEntropyLoss 损失函数与反向传播
所需的Loss计算函数都在torch.nn的LossFunctions中官方网址是torch.nn — PyTorch 2.0 documentation。举例了L1Loss、MSELoss、CrossEntropyLoss。 在这些Loss函数的使用中有以下注意的点 (1) 参数reductionmean默认是mean表示对差值的和求均值还可以是sum则不会求均值。 (2) 一定要注意Input和target的shape。 L1Loss
创建一个标准用于测量中每个元素之间的Input: x xx 和 target: y yy。
创建一个标准用来测量Input: x xx 和 target: y yy 中的每个元素之间的平均绝对误差(MAE)L 1 L_1L 1范数。 Shape:
Input: (∗ *∗), where ∗ *∗ means any number of dimensions. 会对所有维度的loss求均值 Target: (∗ *∗), same shape as the input. 与Input的shape相同 Output: scalar.返回值是标量。
假设 a aa 是标量则有
type(a) torch.Tensor a.shape torch.Size([]) a.dim 0
MSELOSS
创建一个标准用来测量Input: x xx 和 target: y yy 中的每个元素之间的均方误差(平方L2范数)。 Shape:
Input: (∗ *∗), where ∗ *∗ means any number of dimensions. 会对所有维度求loss Target: (∗ *∗), same shape as the input. 与Input的shape相同 Output: scalar.返回值是标量。
CrossEntropyLoss 该标准计算 input 和 target 之间的交叉熵损失。
非常适用于当训练 C CC 类的分类问题即多分类问题若是二分类问题可采用BCELoss。如果要提供可选参数 w e i g h t weightweight 那 w e i g h t weightweight 应设置为1维tensor去为每个类分配权重。这在训练集不平衡时特别有用。
期望的 input应包含每个类的原始的、未标准化的分数。input必须是大小为C CC(input未分批)、(m i n i b a t c h , C minibatch,Cminibatch,C) or (m i n i b a t c h , C , d 1 , d 2 , . . . d kminibatch,C,d_1,d_2,...d_kminibatch,C,d 1,d 2,...d k )的Tensor。最后一种方法适用于高维输入例如计算2D图像的每像素交叉熵损失。
期望的 target应包含以下内容之一
(1) target包含了在[ 0 , C ) [0,C)[0,C)区间的类别索引C CC是类别总数量。如果指定了 ignore_index则此损失也接受此类索引此索引不一定在类别范围内。reductionnone情况下的loss为
注意l o g loglog默认是以10为底的。
x是inputy yy是targetw ww是权重weightC CC是类别数量N NN涵盖minibatch维度且d 1 , d 2 . . . , d k d_1,d_2...,d_kd 1,d 2...,d k分别表示第k个维度。N太难翻译了总感觉没翻译对如果reductionmean或sum
import torch
import torchvision
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear, Sequential
from torch.utils.data import DataLoader
from torchvision.transforms import transformsdataset torchvision.datasets.CIFAR10(./dataset, trainFalse, transformtransforms.ToTensor(), downloadTrue)
dataloader DataLoader(dataset, batch_size2, shuffleTrue)class Model(nn.Module):def __init__(self):super(Model, self).__init__()self.model Sequential(Conv2d(in_channels3, out_channels32, kernel_size5, stride1, padding2),MaxPool2d(kernel_size2, stride2),Conv2d(in_channels32, out_channels32, kernel_size5, stride1, padding2),MaxPool2d(kernel_size2, stride2),Conv2d(in_channels32, out_channels64, kernel_size5, stride1, padding2),MaxPool2d(kernel_size2, stride2),Flatten(),Linear(1024, 64),Linear(64, 10))def forward(self, x): # 模型前向传播return self.model(x)model Model() # 定义模型
loss_cross nn.CrossEntropyLoss() # 定义损失函数for data in dataloader:imgs, targets dataoutputs model(imgs)# print(outputs) # 先打印查看一下结果。outputs.shape(2, 10) 即(N,C)# print(targets) # target.shape(2) 即(N)# 观察outputs和target的shape然后选择使用哪个损失函数res_loss loss_cross(outputs, targets)res_loss.backward() # 损失反向传播print(res_loss)#
# inputs torch.tensor([1, 2, 3], dtypetorch.float32)
# targets torch.tensor([1, 2, 5], dtypetorch.float32)
#
# inputs torch.reshape(inputs, (1, 1, 1, 3))
# targets torch.reshape(targets, (1, 1, 1, 3))
#
# # -------------L1Loss--------------- #
# loss nn.L1Loss()
# res loss(inputs, targets) # 返回的是一个标量,ndim0
# print(res) # tensor(1.6667)
#
# # -------------MSELoss--------------- #
# loss_mse nn.MSELoss()
# res_mse loss_mse(inputs, targets)
# print(res_mse)
#
# # -------------CrossEntropyLoss--------------- #
# x torch.tensor([0.1, 0.2, 0.3]) # (N,C)
# x torch.reshape(x, (1, 3))
# y torch.tensor([1]) # (N)
# loss_cross nn.CrossEntropyLoss()
# res_cross loss_cross(x, y)
# print(res_cross)
