PyTorch的SoftMax交叉熵损失和梯度用法
更新时间:2020年4月27日 21:20 点击:1797
在PyTorch中可以方便的验证SoftMax交叉熵损失和对输入梯度的计算
关于softmax_cross_entropy求导的过程,可以参考HERE
示例:
# -*- coding: utf-8 -*- import torch import torch.autograd as autograd from torch.autograd import Variable import torch.nn.functional as F import torch.nn as nn import numpy as np # 对data求梯度, 用于反向传播 data = Variable(torch.FloatTensor([[1.0, 2.0, 3.0], [1.0, 2.0, 3.0], [1.0, 2.0, 3.0]]), requires_grad=True) # 多分类标签 one-hot格式 label = Variable(torch.zeros((3, 3))) label[0, 2] = 1 label[1, 1] = 1 label[2, 0] = 1 print(label) # for batch loss = mean( -sum(Pj*logSj) ) # for one : loss = -sum(Pj*logSj) loss = torch.mean(-torch.sum(label * torch.log(F.softmax(data, dim=1)), dim=1)) loss.backward() print(loss, data.grad)
输出:
tensor([[ 0., 0., 1.], [ 0., 1., 0.], [ 1., 0., 0.]]) # loss:损失 和 input's grad:输入的梯度 tensor(1.4076) tensor([[ 0.0300, 0.0816, -0.1116], [ 0.0300, -0.2518, 0.2217], [-0.3033, 0.0816, 0.2217]])
注意:
对于单输入的loss 和 grad
data = Variable(torch.FloatTensor([[1.0, 2.0, 3.0]]), requires_grad=True) label = Variable(torch.zeros((1, 3))) #分别令不同索引位置label为1 label[0, 0] = 1 # label[0, 1] = 1 # label[0, 2] = 1 print(label) # for batch loss = mean( -sum(Pj*logSj) ) # for one : loss = -sum(Pj*logSj) loss = torch.mean(-torch.sum(label * torch.log(F.softmax(data, dim=1)), dim=1)) loss.backward() print(loss, data.grad)
其输出:
# 第一组: lable: tensor([[ 1., 0., 0.]]) loss: tensor(2.4076) grad: tensor([[-0.9100, 0.2447, 0.6652]]) # 第二组: lable: tensor([[ 0., 1., 0.]]) loss: tensor(1.4076) grad: tensor([[ 0.0900, -0.7553, 0.6652]]) # 第三组: lable: tensor([[ 0., 0., 1.]]) loss: tensor(0.4076) grad: tensor([[ 0.0900, 0.2447, -0.3348]]) """ 解释: 对于输入数据 tensor([[ 1., 2., 3.]]) softmax之后的结果如下 tensor([[ 0.0900, 0.2447, 0.6652]]) 交叉熵求解梯度推导公式可知 s[0, 0]-1, s[0, 1]-1, s[0, 2]-1 是上面三组label对应的输入数据梯度 """
pytorch提供的softmax, 和log_softmax 关系
# 官方提供的softmax实现 In[2]: import torch ...: import torch.autograd as autograd ...: from torch.autograd import Variable ...: import torch.nn.functional as F ...: import torch.nn as nn ...: import numpy as np In[3]: data = Variable(torch.FloatTensor([[1.0, 2.0, 3.0]]), requires_grad=True) In[4]: data Out[4]: tensor([[ 1., 2., 3.]]) In[5]: e = torch.exp(data) In[6]: e Out[6]: tensor([[ 2.7183, 7.3891, 20.0855]]) In[7]: s = torch.sum(e, dim=1) In[8]: s Out[8]: tensor([ 30.1929]) In[9]: softmax = e/s In[10]: softmax Out[10]: tensor([[ 0.0900, 0.2447, 0.6652]]) In[11]: # 等同于 pytorch 提供的 softmax In[12]: org_softmax = F.softmax(data, dim=1) In[13]: org_softmax Out[13]: tensor([[ 0.0900, 0.2447, 0.6652]]) In[14]: org_softmax == softmax # 计算结果相同 Out[14]: tensor([[ 1, 1, 1]], dtype=torch.uint8) # 与log_softmax关系 # log_softmax = log(softmax) In[15]: _log_softmax = torch.log(org_softmax) In[16]: _log_softmax Out[16]: tensor([[-2.4076, -1.4076, -0.4076]]) In[17]: log_softmax = F.log_softmax(data, dim=1) In[18]: log_softmax Out[18]: tensor([[-2.4076, -1.4076, -0.4076]])
官方提供的softmax交叉熵求解结果
# -*- coding: utf-8 -*- import torch import torch.autograd as autograd from torch.autograd import Variable import torch.nn.functional as F import torch.nn as nn import numpy as np data = Variable(torch.FloatTensor([[1.0, 2.0, 3.0], [1.0, 2.0, 3.0], [1.0, 2.0, 3.0]]), requires_grad=True) log_softmax = F.log_softmax(data, dim=1) label = Variable(torch.zeros((3, 3))) label[0, 2] = 1 label[1, 1] = 1 label[2, 0] = 1 print("lable: ", label) # 交叉熵的计算方式之一 loss_fn = torch.nn.NLLLoss() # reduce=True loss.sum/batch & grad/batch # NLLLoss输入是log_softmax, target是非one-hot格式的label loss = loss_fn(log_softmax, torch.argmax(label, dim=1)) loss.backward() print("loss: ", loss, "\ngrad: ", data.grad) """ # 交叉熵计算方式二 loss_fn = torch.nn.CrossEntropyLoss() # the target label is NOT an one-hotted #CrossEntropyLoss适用于分类问题的损失函数 #input:没有softmax过的nn.output, target是非one-hot格式label loss = loss_fn(data, torch.argmax(label, dim=1)) loss.backward() print("loss: ", loss, "\ngrad: ", data.grad) """ """
输出
lable: tensor([[ 0., 0., 1.], [ 0., 1., 0.], [ 1., 0., 0.]]) loss: tensor(1.4076) grad: tensor([[ 0.0300, 0.0816, -0.1116], [ 0.0300, -0.2518, 0.2217], [-0.3033, 0.0816, 0.2217]])
通过和示例的输出对比, 发现两者是一样的
以上这篇PyTorch的SoftMax交叉熵损失和梯度用法就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持猪先飞。
相关文章
pytorch nn.Conv2d()中的padding以及输出大小方式
今天小编就为大家分享一篇pytorch nn.Conv2d()中的padding以及输出大小方式,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧...2020-04-27- 这篇文章主要介绍了PyTorch一小时掌握之迁移学习篇,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友可以参考下...2021-09-08
Linux安装Pytorch1.8GPU(CUDA11.1)的实现
这篇文章主要介绍了Linux安装Pytorch1.8GPU(CUDA11.1)的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧...2021-03-25- 这篇文章主要介绍了Pytorch之扩充tensor的操作,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧...2021-03-05
- 今天小编就为大家分享一篇pytorch 自定义卷积核进行卷积操作方式,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧...2020-05-06
- 这篇文章主要介绍了解决pytorch 交叉熵损失输出为负数的问题,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧...2020-07-08
pytorch绘制并显示loss曲线和acc曲线,LeNet5识别图像准确率
今天小编就为大家分享一篇pytorch绘制并显示loss曲线和acc曲线,LeNet5识别图像准确率,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧...2020-05-02- 这篇文章主要介绍了pytorch 实现冻结部分参数训练另一部分,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧...2021-03-27
从Pytorch模型pth文件中读取参数成numpy矩阵的操作
这篇文章主要介绍了从Pytorch模型pth文件中读取参数成numpy矩阵的操作,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧...2021-03-04Pytorch 的损失函数Loss function使用详解
今天小编就为大家分享一篇Pytorch 的损失函数Loss function使用详解,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧...2020-05-02- 今天小编就为大家分享一篇pytorch中的上采样以及各种反操作,求逆操作详解,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧...2020-04-30
- 今天小编就为大家分享一篇Pytorch实现LSTM和GRU示例,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧...2020-04-27
- 这篇文章主要介绍了基于Pytorch版yolov5的滑块验证码破解思路详解,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友可以参考下...2021-02-25
解决Pytorch dataloader时报错每个tensor维度不一样的问题
这篇文章主要介绍了解决Pytorch dataloader时报错每个tensor维度不一样的问题,具有很好的参考价值,希望对大家有所帮助。如有错误或未考虑完全的地方,望不吝赐教...2021-05-28pytorch中交叉熵损失(nn.CrossEntropyLoss())的计算过程详解
今天小编就为大家分享一篇pytorch中交叉熵损失(nn.CrossEntropyLoss())的计算过程详解,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧...2020-05-02- 这篇文章主要介绍了pytorch深度学习中对softmax实现进行了详细解析,有需要的朋友可以借鉴参考下,希望能够有所帮助,祝大家多多进步...2021-09-30
- 今天小编就为大家分享一篇Pytorch 计算误判率,计算准确率,计算召回率的例子,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧...2020-04-27
- 这篇文章主要介绍了pytorch中的squeeze函数、cat函数使用,具有很好的参考价值,希望对大家有所帮助。如有错误或未考虑完全的地方,望不吝赐教...2021-05-20
- 这篇文章主要介绍了Pytorch如何切换 cpu和gpu的使用详解,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧...2021-03-01
- 今天小编就为大家分享一篇pytorch动态网络以及权重共享实例,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧...2020-04-29