pytorch中BCEWithLogitsLoss&CrossEntropyLoss函数
Posted
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了pytorch中BCEWithLogitsLoss&CrossEntropyLoss函数相关的知识,希望对你有一定的参考价值。
参考技术A 先说结论:BCEWithLogitsLoss函数包括了 Sigmoid 层和 BCELoss 层. 适用于多标签分类任务
CrossEntropyLoss函数 包含Softmax,层和 NLLLoss层,适用于单标签分类问题
对Sigmoid和Softmax函数不熟悉的可以看上一篇文章:https://www.jianshu.com/p/b13f4f419cce
再来看两个函数的具体计算过程,也是对交叉熵损失函数的一个复习过程.
1. BCEWithLogitsLoss函数:
先对输出向量里的每个元素使用sigmoid函数, 然后使用BCELoss函数
具体例子如下:
在图片多标签分类时,如果3张图片分3类,会输出一个3*3的矩阵。每行代表每一张图片的模型输出向量.
先用Sigmoid给这些值都搞到0~1之间:
假设Target是:(sigmoid用来处理多标签分类问题,这里也可以看出来)
BCELOSS的计算过程如下
BCEWithLogitsLoss就是把Sigmoid-BCELoss合成一步
2. CrossEntropyLoss函数:
在图片单标签分类时,输入m张图片,输出一个m N的Tensor,其中N是分类个数。比如输入3张图片,分三类,最后的输出是一个3 3的Tensor,举个例子:
第1,2,3行分别是第1,2,3张图片的结果,假设第1,2,3列分别是猫、狗和猪的分类得分。 可以看出模型认为第1,2,3张都更可能是猫。然后对每一行使用Softmax,这样可以得到每张图片的概率分布。
这里dim的意思是计算Softmax的维度,这里设置dim=1,可以看到每一行的加和为1。比如第一行0.6600+0.0570+0.2830=1。我们这里一张图片是一行,所以dim应该设置为1。
然后对Softmax的结果取自然对数:
Softmax后的数值都在0~1之间,所以ln之后值域是负无穷到0。NLLLoss的结果就是把上面的输出与Label对应的那个值拿出来,再去掉负号,再求均值。假设我们现在Target是[0,2,1](第一张图片是猫,第二张是猪,第三张是狗)。第一行取第0个元素,第二行取第2个,第三行取第1个,去掉负号,结果是:[0.4155,1.0945,1.5285]。再求个均值,结果是:
CrossEntropyLoss就是把以上Softmax–Log–NLLLoss合并成一步,我们用刚刚随机出来的input直接验证一下结果是不是1.0128:
pytorch二元交叉熵损失函数 nn.BCELoss() 与 torch.nn.BCEWithLogitsLoss()
nn.BCELoss
- 1、nn.BCELoss
- 2、使用场景
- 3、nn.BCELoss 计算公式
- 4、torch.nn.BCEWithLogitsLoss() 与 nn.BCELoss() 的区别
- 5、torch.nn.BCELoss() 函数
- 6、torch.nn.BCEWithLogitsLoss() 函数
1、nn.BCELoss
nn.BCELoss()
是 二元交叉熵损失函数 (Binary Cross Entropy Loss)- 适用于二分类问题,即
- 模型的输出为一个概率值,表示样本属于某一类的概率
- 标签为二元值:0 或 1
nn.BCELoss()
计算的是二元交叉熵损失,也称为对数损失,它将模型 预测值 和 真实标签值 之间的差异转化为一个标量损失值,用于衡量模型预测的准确性。
2、使用场景
假设有一个 二分类任务:判断一张图片中是否包含猫。
我们可以定义一个二元分类模型,用 Sigmoid
输出一个概率值,表示样本属于猫的概率。 标签值为 0 和 1。
使用以下代码构建模型和损失函数:
import torch
import torch.nn as nn
class CatClassifier(nn.Module):
def __init__(self):
super(CatClassifier, self).__init__()
self.fc = nn.Linear(3*256*256, 1)
self.sigmoid = nn.Sigmoid()
def forward(self, x):
x = x.view(x.size(0), -1)
x = self.fc(x)
x = self.sigmoid(x)
return x
model = CatClassifier()
criterion = nn.BCELoss()
在每次迭代时,我们可以通过以下代码计算损失:
outputs = model(inputs)
loss = criterion(outputs, labels.float())
3、nn.BCELoss 计算公式
L = − 1 N ∑ i = 1 N [ y i log ( y i ^ ) + ( 1 − y i ) log ( 1 − y i ^ ) ] L = -\\frac1N \\sum_i=1^N [y_i \\log(\\haty_i) + (1-y_i) \\log(1-\\haty_i)] L=−N1i=1∑N[yilog(yi^)+(1−yi)log(1−yi^)]
其中:
- N N N 表示样本数量
- y i y_i yi 表示第 i i i 个样本的实际标签
- y i ^ \\haty_i yi^ 表示第 i i i 个样本的预测值
如果
y
i
=
1
y_i=1
yi=1,则第一项
y
i
log
(
y
i
^
)
y_i \\log(\\haty_i)
yilog(yi^) 生效,第二项
(
1
−
y
i
)
log
(
1
−
y
i
^
)
(1-y_i) \\log(1-\\haty_i)
(1−yi)log(1−yi^) 失效;
如果
y
i
=
0
y_i=0
yi=0,则第一项失效,第二项生效。
因为
y
i
^
\\haty_i
yi^ 值的范围是 0 ~ 1, 所以,
log
(
y
i
^
)
\\log(\\haty_i)
log(yi^) 和
log
(
1
−
y
i
^
)
\\log(1-\\haty_i)
log(1−yi^) 的值都是负数,如下图红色曲线。 所以,损失函数的最前面有个负号,将损失值变为正数。
因此,当模型的预测值与标签值越接近时,损失值越小。
4、torch.nn.BCEWithLogitsLoss() 与 nn.BCELoss() 的区别
nn.BCELoss()
的输入是 二元分类模型的预测值
y
^
\\haty
y^ 和 实际标签
y
y
y。并且
y
^
\\haty
y^ 的范围是 [0,1],因为二元分类模型内部已经对预测结果做了 sigmoid
处理。
n
n
.
B
C
E
L
o
s
s
(
)
=
−
1
N
∑
i
=
1
N
[
y
i
log
(
y
i
^
)
+
(
1
−
y
i
)
log
(
1
−
y
i
^
)
]
nn.BCELoss() = -\\frac1N \\sum_i=1^N [y_i \\log(\\haty_i) + (1-y_i) \\log(1-\\haty_i)]
nn.BCELoss()=−N1i=1∑N[yilog(yi^)+(1−yi)log(1−yi^)]
torch.nn.BCEWithLogitsLoss()
的输入是也是 二元分类模型的输出值
z
z
z 和实际标签
y
y
y,不同的是
z
z
z 在模型内部没有经过 sigmoid 处理,是任意实数。这种情况下,sigmoid 处理就被放到了损失函数中,所以,torch.nn.BCEWithLogitsLoss() 函数内部的计算过程是先对
z
z
z 应用 sigmoid 函数,将其映射到 [0,1] 范围内,然后使用二元交叉熵计算预测值和实际标签之间的损失值。
n
n
.
B
C
E
W
i
t
h
L
o
g
i
t
s
L
o
s
s
(
)
=
−
1
N
∑
i
=
1
N
[
y
i
log
σ
(
z
i
)
+
(
1
−
y
i
)
log
(
1
−
σ
(
z
i
)
)
]
nn.BCEWithLogitsLoss() = -\\frac1N \\sum_i=1^N [y_i \\log \\sigma(z_i) + (1-y_i) \\log(1-\\sigma(z_i))]
nn.BCEWithLogitsLoss()=−N1i=1∑N[yilogσ(zi)+(1−yi)log(1−σ(zi))]
另外,torch.nn.BCEWithLogitsLoss()
还支持设置 pos_weight 参数,用于处理样本不平衡的问题。而 nn.BCELoss()
不支持设置 pos_weight 参数。
5、torch.nn.BCELoss() 函数
torch.nn.BCELoss(weight=None, size_average=None, reduce=None, reduction='mean')
参数说明:
- weight :用于样本加权的权重张量。如果给定,则必须是一维张量,大小等于输入张量的大小。默认值为 None。
- reduction :指定如何计算损失值。可选值为 ‘none’、‘mean’ 或 ‘sum’。默认值为 ‘mean’。
6、torch.nn.BCEWithLogitsLoss() 函数
torch.nn.BCEWithLogitsLoss(weight=None,
size_average=None,
reduce=None,
reduction='mean',
pos_weight=None)
参数说明:
- weight:用于对每个样本的损失值进行加权。默认值为 None。
- reduction:指定如何对每个 batch 的损失值进行降维。可选值为 ‘none’、‘mean’ 和 ‘sum’。默认值为 ‘mean’。
- pos_weight:用于对正样本的损失值进行加权。可以用于处理样本不平衡的问题。例如,如果正样本比负样本少很多,可以设置 pos_weight 为一个较大的值,以提高正样本的权重。默认值为 None。
以上是关于pytorch中BCEWithLogitsLoss&CrossEntropyLoss函数的主要内容,如果未能解决你的问题,请参考以下文章
修改后的 PyTorch 损失函数 BCEWithLogitsLoss 返回 NaNs
pytorch二元交叉熵损失函数 nn.BCELoss() 与 torch.nn.BCEWithLogitsLoss()
Pytorch常用损失函数nn.BCEloss();nn.BCEWithLogitsLoss();nn.CrossEntropyLoss();nn.L1Loss(); nn.MSELoss();(代码