pytorch中的损失函数中的logits

谁践踏了优雅 2022-04-25 09:56 340阅读 0赞

PyTorch（tensorflow类似）的损失函数中，有一个（类）损失函数名字中带了`with_logits`. 而这里的logits指的是,该损失函数已经内部自带了计算logit的操作，**无需**在传入给这个loss函数之前手动使用`sigmoid/softmax`将之前网络的输入映射到\[0,1\]之间.

## logit函数 ##

其形式如下：

L(p)=p1−pL(p)=p1−p

该函数可以将输入范围在\[0,1\]之间的数值p映射到\[−∞,∞\]\[−∞,∞\].如果p=0.5,则函数值为0,p<0.5,则函数值为负值；如果p>0.5,则函数值为正值.

## 损失函数中的logits ##

而在损失函数中,如果其名称中带了`with_logits`则可以直接将之前网络的输出接到该损失函数中,不需要手动调用`sigmoid(input)`函数. 因为该损失函数中包含了诸如`softmaxt`或`sigmoid`方法,会将输入其中的数值从\[−∞,∞\]\[−∞,∞\]映射到\[0,1\]之间.

## [官方示例][Link 1] ##

*  名称中不带`logits`的损失函数：

<table> 
 <tbody> 
  <tr> 
   <td> <pre>1
2
3
4
</pre> </td> 
   <td> <pre>&gt;&gt;&gt; input = torch.randn((3, 2), requires_grad=True)
&gt;&gt;&gt; target = torch.rand((3, 2), requires_grad=False)
&gt;&gt;&gt; loss = F.binary_cross_entropy(F.sigmoid(input), target)
&gt;&gt;&gt; loss.backward()
</pre> </td> 
  </tr> 
 </tbody> 
</table>

可以看到，用于二分类的`binary_cross_entropy`函数需要将输入先经过`sigmoid处理`,将其变换到\[0,1\]之间再计算loss,因为这里的target一般是\[0,1\]之间的数值.

*  名字中带`with_logits`的损失函数:

<table> 
 <tbody> 
  <tr> 
   <td> <pre>1
2
3
4
</pre> </td> 
   <td> <pre>&gt;&gt;&gt; input = torch.randn(3, requires_grad=True)
&gt;&gt;&gt; target = torch.empty(3).random_(2)
&gt;&gt;&gt; loss = F.binary_cross_entropy_with_logits(input, target)
&gt;&gt;&gt; loss.backward()
</pre> </td> 
  </tr> 
 </tbody> 
</table>

可以看到这里可以将前面网络的输出(即此处的input)之间送入loss函数中计算,无需手动调用`sigmoid`进行变换.

## 参考 ##

> [TF里几种loss和注意事项][TF_loss]  
> [官方示例][Link 1]

[Link 1]: https://pytorch.org/docs/stable/_modules/torch/nn/functional.html
[TF_loss]: https://zhuanlan.zhihu.com/p/33560183