pytorch学习笔记之分类问题中常用的损失函数

Bertha 。 2022-12-21 03:06 145阅读 0赞

pytorch中多分类问题中最常用的损失函数应该就是CrossEntropyLoss了，传闻该函数结合了LogSoftmax和NLLLoss两个函数，那么这个函数到底是什么来头呢？本文来一探究竟。

## 交叉熵的定义 ##

交叉熵刻画的是实际输出的分布与期望分布的距离：如果模型输出的结果的分布和期望的分布越相似，那么交叉熵就越小。交叉熵的定义公式为 C r o s s E n t r o p y ( f ( x ) , y ) = − ∑ i = 1 n y i l o g f ( x i ) CrossEntropy(f(\\textbf\{x\}), \\textbf\{y\})=-\\sum\_\{i=1\}^\{n\}\{y\_ilogf(x\_i)\} CrossEntropy(f(x),y)=−∑i=1nyilogf(xi)，其中 n n n表示 x \\textbf\{x\} x的维度；更一般地，假设 p p p为期望分布， q q q为输出的分布，则 p p p和 q q q的交叉熵就是： C r o s s E n t r o p y ( p , q ) = − ∑ x p ( x ) l o g q ( x ) CrossEntropy(p,q)=-\\sum\_\{x\}\{p(x)logq(x)\} CrossEntropy(p,q)=−∑xp(x)logq(x)。

举个栗子，假设在一个三分类问题中，一条数据的真实标签为 \[ 0 , 0 , 1 \] \[0,0,1\] \[0,0,1\]，而模型A的预测概率为 \[ 0.1 , 0.1 , 0.8 \] \[0.1,0.1, 0.8\] \[0.1,0.1,0.8\]，模型B的预测概率为 \[ 0.2 , 0.2 , 0.6 \] \[0.2,0.2,0.6\] \[0.2,0.2,0.6\]那么模型A的输出对应的交叉熵为 C 1 = − l o g ( 0.8 ) = 0.09 C\_1=-log(0.8)=0.09 C1=−log(0.8)=0.09，而模型B的输出的交叉熵为 C 2 = − l o g ( 0.6 ) = 0.22 C\_2=-log(0.6)=0.22 C2=−log(0.6)=0.22，可见即使两个模型都能够预测正确，但是模型A的交叉熵更小，而更小的交叉熵也意味着模型A的预测概率分布与真实的概率分布更相似。

## Pytorch中的CrossEntropyLoss ##

根据定义，Pytorch中的CrossEntropyLoss是将Softmax-log-NLLoss合并到一块的结果，也就是说CrossEntropyLoss就是我们前面所讨论的交叉熵，为什么这么说呢？看下面的推导：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI2ODIyMDI5_size_16_color_FFFFFF_t_70_pic_center]

假设一个10分类的神经网络，那么在输出层就应该有10个节点。在Pytorch中如果使用CrossEntropyLoss，这10个节点的后面将不再需要softmax，因为CrossEntropyLoss已经包含了softmax这一部分。softmax的公式为 s o f t m a x ( z j ) = e z j ∑ e z i softmax(z\_j)=\\frac\{e^\{z\_j\}\}\{\\sum\{e^\{z\_i\}\}\} softmax(zj)=∑eziezj，其能够将十个节点的输出进行处理使得 ∑ s o f t m a x ( z i ) = 1 \\sum\{softmax(z\_i)\}=1 ∑softmax(zi)=1，也就是对10个节点的输出做了一个变换，且使得其大小关系不变。

在得到softmax的结果之后再将概率值取log，并且执行后面剩下的求和计算。也就是说NLLLOSS的结果就是把取log得到的结果和真实的标签相乘并求和，之后再求均值并取反（求当前mini-batch的均值）。

## 结合Pytorch文档测试 ##

来看看Pytorch文档中对[CrossEntropyLoss的定义][CrossEntropyLoss]：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI2ODIyMDI5_size_16_color_FFFFFF_t_70_pic_center 1]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI2ODIyMDI5_size_16_color_FFFFFF_t_70_pic_center 2]  
运行下面的代码：

import torch
    import torch.nn as nn
    import numpy as np
    
    loss = nn.CrossEntropyLoss()
    
    x_input = torch.randn(3, 3)
    y = torch.tensor([1,2,0])
    print('x_input = ', x_input)
    print('y = ', y)
    
    softmax_func = nn.Softmax(dim=1)
    softmax_output = softmax_func(x_input)
    print('softmax_output = ', softmax_output)
    
    log_output = torch.log(softmax_output)
    print('log_output = ', log_output)
    
    nllloss = nn.NLLLoss()
    nllloss_output = nllloss(log_output, y)
    print('nlloss_output = ', nllloss_output)
    
    print('crossentropyloss = ', loss(x_input, y))

得到输出为：

x_input =  tensor([[ 0.1650,  1.7421,  0.1270],
            [-0.1254, -0.7676, -0.1373],
            [ 1.3294, -0.0838, -1.2392]])
    y =  tensor([1, 2, 0])
    softmax_output =  tensor([[0.1470, 0.7115, 0.1415],
            [0.3977, 0.2093, 0.3930],
            [0.7576, 0.1844, 0.0581]])
    log_output =  tensor([[-1.9174, -0.3404, -1.9554],
            [-0.9220, -1.5642, -0.9339],
            [-0.2777, -1.6908, -2.8462]])
    nlloss_output =  tensor(0.5173)
    crossentropyloss =  tensor(0.5173)

可以看到使用softmax-log-nllloss得到的结果和直接使用CrossEntropyLoss得到的结果是完全一样的。

再去看一下NLLLoss损失函数的官方定义：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI2ODIyMDI5_size_16_color_FFFFFF_t_70_pic_center 3]

### 参考资料： ###

*  [Pytorch常用的交叉熵损失函数CrossEntropyLoss()详解][Pytorch_CrossEntropyLoss]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI2ODIyMDI5_size_16_color_FFFFFF_t_70_pic_center]: /images/20221120/1a090ba99b2047f1ac524014b6ae92d3.png
[CrossEntropyLoss]: https://pytorch.org/docs/stable/generated/torch.nn.CrossEntropyLoss.html#torch.nn.CrossEntropyLoss
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI2ODIyMDI5_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221120/2285338bc8cc41a7bc1baa97e38f0214.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI2ODIyMDI5_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20221120/88abe8f007b24691875323379d821211.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI2ODIyMDI5_size_16_color_FFFFFF_t_70_pic_center 3]: /images/20221120/3d742315cf554f4c8a074aa18462b862.png
[Pytorch_CrossEntropyLoss]: https://zhuanlan.zhihu.com/p/98785902