【pytorch笔记】损失函数nll_loss

爱被打了一巴掌 2023-02-16 01:56 31阅读 0赞

### 文章目录 ###

*  使用场景
 *  函数理解
 *  例子演示
 *  总结

# 使用场景 #

在用`pytorch`做训练、测试时经常要用到损失函数计算输出与目标结果的差距，例如下面的代码：

# 训练
    for batch_idx, (data, target) in enumerate(train_loader):
    	data, target = data.to(device), target.to(device)
    	optimizer.zero_grad()
    	output = model(data)
    	loss = F.nll_loss(output, target)
    	loss.backward()
    	optimizer.step()
    # 测试
    for data, target in test_loader:
    	data, target = data.to(device), target.to(device)
    	output = model(data)
    	test_loss += F.nll_loss(output, target, reduction = 'sum')

前一部分是训练过程，计算输出`output`与`target`的误差回传，后一部分是测试过程，计算`output`与`target`误差，并进行误差求和。

# 函数理解 #

*  [官方函数定义][Link 1]

在该函数中重要的参数主要有三个，分别是：

*  `input`: ( N , C ) (N,C) (N,C),其中C表示分类的数量，N表示数据的条数，由于数据的输入是按`batch`输入，所以N也是`batch`的大小。
 *  `target`: ( N ) (N) (N)目标结果，即常见分类任务中的label，包含N个。
 *  `reduction`：对计算结果采取的操作，通常我们用`sum`（对N个误差结果求和）,`mean`（对N个误差结果取平均），默认是对所有样本求loss均值

# 例子演示 #

采用官方提供的演示代码如下：

input = torch.randn(3, 5, requires_grad=True)
    # each element in target has to have 0 <= value < C
    target = torch.tensor([1, 0, 4])
    print('input:{}\n target:{}'.format(input,target))
    print('log softmax:{}'.format(F.log_softmax(input,dim=1)))
    output = F.nll_loss(F.log_softmax(input,dim=1), target)
    print('output:{}'.format(output))
    output.backward()

用`jupyter notebook`打印一下中间结果：  
![在这里插入图片描述][2020060715343611.png_pic_center]  
这里做了一次`log softmax`操作，`softmax`实际上就是对输入`tensor`中的元素按照数值计算了比例，`dim=1`保证所有分类概率和为1，最后对每个数值取了log。最终要求的就是`log softmax`后结果与target的误差。

我们重点关注这一步计算：

*  `log softmax tensor`(模型output):
    
        tensor([[-3.2056, -1.7804, -0.4350, -3.9833, -2.0795],
            [-2.1543, -1.8606, -1.5360, -1.1057, -1.7025],
            [-2.3243, -0.7615, -1.1595, -2.5594, -3.1195]]
 *  `target`:
    
        tensor([1, 0, 4])

标签代表了`tensor`中每一行向量应该检查的位置，例如第一个标签是1，这表示在`tensor`第一行中应该选择1号位置的元素`-1.7804`（代表了模型将数据分为1类的概率）取出，同理取第2行0号位置元素`-2.1543`,取第三行4号位置元素`-3.1195`，将它们去除负号求和再取均值。  
则该模型输出`output`与`target`之间误差应为：`(1.7804+2.1543+3.1195)/3 = 2.3514`

回顾上文的output结果`2.35138....`与预期相符。

*  `reduction`  
    同样是上面的输入，我们添加`reduction`为`sum`，查看`output`结果：  
    ![在这里插入图片描述][20200607160704845.png_pic_center]  
    发现计算结果是`7.054...`，说明没有执行前面 `(1.7804+2.1543+3.1195)/3 = 2.3514`求均值的操作。直接将各个样本与label之间的误差求和返回。

# 总结 #

nll\_loss 函数接收两个`tensor`第一个是模型的`output`，第二个是label `target`，`output`中每一行与一个标签中每一列的元素对应，根据`target`的取值找出`output`行中对应位置元素，求和取平均值。

[Link 1]: https://pytorch.org/docs/stable/nn.functional.html?highlight=nll_loss#torch.nn.functional.nll_loss
[2020060715343611.png_pic_center]: https://img-blog.csdnimg.cn/2020060715343611.png#pic_center
[20200607160704845.png_pic_center]: https://img-blog.csdnimg.cn/20200607160704845.png#pic_center