pytorch中BCEWithLogitsLoss&CrossEntropyLoss函数

Posted 2023-03-08

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

$$L=-\frac{1}{N}\sum _{i=1}^N[y_i\log (\widehat{y_i})+(1-y_i)\log (1-\widehat{y_i})]$$

其中：

• $N$ 表示样本数量
• $y_i$ 表示第 $i$ 个样本的实际标签
• $\widehat{y_i}$ 表示第 $i$ 个样本的预测值

如果 $y_i=1$，则第一项 $y_i\log (\widehat{y_i})$ 生效，第二项 $(1-y_i)\log (1-\widehat{y_i})$ 失效；
如果 $y_i=0$，则第一项失效，第二项生效。

因为 $\widehat{y_i}$ 值的范围是 0 ～ 1， 所以，$\log (\widehat{y_i})$ 和 $\log (1-\widehat{y_i})$ 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 $\hat{y}$ 和 实际标签 $y$。并且$\hat{y}$ 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。
$$nn.BCELoss()=-\frac{1}{N}\sum _{i=1}^N[y_i\log (\widehat{y_i})+(1-y_i)\log (1-\widehat{y_i})]$$

torch.nn.BCEWithLogitsLoss() 的输入是也是 二元分类模型的输出值 $z$ 和实际标签 $y$，不同的是 $z$ 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 $z$ 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。
$$nn.BCEWithLogitsLoss()=-\frac{1}{N}\sum _{i=1}^N[y_i\log \sigma (z_i)+(1-y_i)\log (1-\sigma (z_i))]$$

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。