softmax_cross_entropy_with_logits 的 PyTorch 等价性

Posted 2023-02-23

【中文标题】softmax_cross_entropy_with_logits 的 PyTorch 等价性

【英文标题】：PyTorch equivalence for softmax_cross_entropy_with_logits

【发布时间】：2018-02-23 09:44:54

【问题描述】：

我想知道 TensorFlow 的 softmax_cross_entropy_with_logits 是否有等效的 PyTorch 损失函数？

【问题讨论】：

也许是 torch.nn.CrossEntropyLoss ？

@YaroslavBulatov 感谢您的回复！ tf.nn.softmax_cross_entropy_with_logits 要求 logits 和标签必须具有相同的形状，而 torch.nn.CrossEntropyLoss 具有 Input: (N,C) 其中 C = 类数；目标：(N)，其中每个值为 0

这已经在pytorch forum 中讨论过了。希望对你有帮助

@McLawrence：谢谢你的建议！该页面没有解决我的问题，但它导致***.com/a/39499486/4665251 解决了。非常感谢 ***user2010。

@Dark_Voyager 那么你是如何解决这个问题的呢？介意分享吗？

【参考方案1】：

TensorFlow 的 softmax_cross_entropy_with_logits 是否有等效的 PyTorch 损失函数？

torch.nn.functional.cross_entropy

这将 logits 作为输入（在内部执行 log_softmax）。这里的“logits”只是一些不是概率的值（即不一定在区间[0,1]）。

但是，logits 也是将转换为概率的值。 如果您考虑 tensorflow 函数的名称，您将理解它是 pleonasm（因为 with_logits 部分假定 softmax 将被调用）。

在 PyTorch 中的实现是这样的：

loss = F.cross_entropy(x, target)

相当于：

lp = F.log_softmax(x, dim=-1)
loss = F.nll_loss(lp, target)

不是F.binary_cross_entropy_with_logits，因为这个函数假设多标签分类：

F.sigmoid + F.binary_cross_entropy = F.binary_cross_entropy_with_logits

也不是torch.nn.functional.nll_loss，因为此函数采用对数概率（在log_softmax() 之后）而不是对数。

【参考方案2】：

解决方案

from thexp.calculate.tensor import onehot
from torch.nn import functional as F
import torch

logits = torch.rand([3,10])
ys = torch.tensor([1,2,3])
targets = onehot(ys,10)
assert F.cross_entropy(logits,ys) == -torch.mean(torch.sum(F.log_softmax(logits, dim=1) * targets, dim=1))

onehot 函数：

def onehot(labels: torch.Tensor, label_num):
    return torch.zeros(labels.shape[0], label_num, device=labels.device).scatter_(1, labels.view(-1, 1), 1)

【参考方案3】：

根据几个线程中的指针，我最终进行了以下转换。我会在此处发布我的解决方案，以防其他人陷入此线程。它是从here 修改而来的，在this context 中的行为与预期一样。

# pred is the prediction with shape [C, H*W]
# gt is the target with shape [H*W]
# idx is the boolean array on H*W for masking

# Tensorflow version
loss = tf.nn.sparse_softmax_cross_entropy_with_logits( \
          logits=tf.boolean_mask(pred, idx), \
          labels=tf.boolean_mask(gt, idx)))

# Pytorch version       
logp = torch.nn.functional.log_softmax(pred[idx])
logpy = torch.gather(logp, 1, Variable(gt[idx].view(-1,1)))
loss = -(logpy).mean()

【讨论】：

布尔掩码是干什么用的？

【参考方案4】：

@Blade 这是我想出的解决方案！

import torch
import torch.nn as nn
import torch.nn.functional as F


class masked_softmax_cross_entropy_loss(nn.Module):
    r"""my version of masked tf.nn.softmax_cross_entropy_with_logits"""
    def __init__(self, weight=None):
        super(masked_softmax_cross_entropy_loss, self).__init__()
        self.register_buffer('weight', weight)

    def forward(self, input, target, mask):
        if not target.is_same_size(input):
            raise ValueError("Target size () must be the same as input size ()".format(target.size(), input.size()))

        input = F.softmax(input)
        loss = -torch.sum(target * torch.log(input), 1)
        loss = torch.unsqueeze(loss, 1)
        mask /= torch.mean(mask)
        mask = torch.unsqueeze(mask, 1)
        loss = torch.mul(loss, mask)
        return torch.mean(loss)

顺便说一句：当时（2017 年 9 月）我需要这个损失函数，因为我试图将 Thomas Kipf 的 GCN（参见 https://arxiv.org/abs/1609.02907）代码从 TensorFlow 转换为 PyTorch。但是，我现在注意到 Kipf 自己完成了这项工作（请参阅 https://github.com/tkipf/pygcn），并且在他的代码中，他只是使用了内置的 PyTorch 损失函数，即负对数似然损失，即

loss_train = F.nll_loss(output[idx_train], labels[idx_train])

希望这会有所帮助。

~DV