对于交叉熵损失函数的来由有很多资料可以参考,这里就不再赘述。本文主要尝试对交叉熵损失函数的内部运算做深度解析。
1. 函数介绍
Pytorch官网中对交叉熵损失函数的介绍如下:
CLASS torch.nn.CrossEntropyLoss(weight=None, size_average=None, ignore_index=- 100,reduce=None, reduction=‘mean’, label_smoothing=0.0)
类别的分类问题。参数weight
给定时,其为分配给每一个类别的权重的一维张量(Tensor)。当数据集分布不均衡时,这是很有用的。
函数输入(input)应包含每一个类别的原始、非标准化分数。对于未批量化的输入,输入必须是大小为的张量,或,在K维情况下,。
函数目标值(target)有两种情况,本文只介绍其中较为有效的一种情况,即target为类索引。
本文以下内容均为target为类索引的情况。
之间的类索引,为类别数。参数reduction
设为'none'
时,交叉熵损失可描述如下:
其中,是输入,是目标值,是weight,是类别数,为batch size。在reduction
不为'none'
时(默认为'mean'
),有:
需要指出的是,在这种情况下的交叉熵损失等价于
LogSoftmax
和NLLLoss
的组合。1
因此,我们可以从LogSoftmax
和NLLLoss
来深度解析交叉熵损失函数的内部运算。
2. LogSoftmax函数
LogSoftmax()函数2公式如下:
即,先对输入值进行Softmax归一化处理,然后对归一化值取对数。这部分对应公式(1)中的。
代码示例如下:
>>> import torch.nn as nn
>>> SM = nn.Softmax(dim=1) #Softmax函数
>>> x = torch.tensor([[1.0,3.0,4.0],[7.0,3.0,8.0],[9.0,7.0,5.0]])
>>> x
tensor([[1., 3., 4.],
[7., 3., 8.],
[9., 7., 5.]])
>>> output_SM = SM(x) #第一步,对x进行Softmax归一化处理
>>> output_SM
#每一行元素相加之和等于1
tensor([[0.0351, 0.2595, 0.7054],
[0.2676, 0.0049, 0.7275],
[0.8668, 0.1173, 0.0159]])
>>> out_L_SM = torch.log(output_SM) #第二步,对输出取log
>>> out_L_SM
tensor([[-3.3490, -1.3490, -0.3490],
[-1.3182, -5.3182, -0.3182],
[-0.1429, -2.1429, -4.1429]])
#直接使用LogSoftmax函数,一步到位
>>> L_SM = nn.LogSoftmax(dim=1)
>>> out_L_SM_ = L_SM(x)
>>> out_L_SM_
tensor([[-3.3490, -1.3490, -0.3490],
[-1.3182, -5.3182, -0.3182],
[-0.1429, -2.1429, -4.1429]])
3. NLLLoss函数
Pytorch中的NLLLoss函数3“名不副实”,虽然名为负对数似然函数,但其内部并没有进行对数计算,而只是对输入值求平均后取负(函数参数reduction
为默认值'mean'
,参数weight
为默认值'none'
时)。
官网介绍如下:
CLASS torch.nn.NLLLoss(weight=None, size_average=None, ignore_index=- 100, reduce=None, reduction=‘mean’)
参数reduction
值为'none'
时:
其中,为输入,为目标值,为weight,为batch size。
参数reduction
值不为'none'
时(默认为'mean'
),有:
可以看出,当reduction
为'mean'
时,即是对求加权平均值。weight
参数默认为1,因此默认情况下,即是对求平均值。又,所以weight
为默认值1时,。故此时,即是对求平均后取负。 这部分对于公式(2)中的。
实例代码验证如下:
>>> import torch
>>> NLLLoss = torch.nn.NLLLoss() #Pytorch负对数似然损失函数
>>> input = torch.randn(3,3)
>>>input
tensor([[1.4550, 2.3858, 1.1724],
[0.4952, 1.5870, 0.9594],
[1.4170, 0.4525, 0.2519]])
>>>target = torch.tensor([1,0,2]) #类索引目标值
>>> loss = NLLLoss(input, target)
>>> loss
tensor(-1.0443)
显然,平均取负结果和NLLLoss运算结果相同。
注:笔者窃以为,公式(5)中上式可写为 ,如此则更容易理解。公式(2)同理。
4. 小结
本文通过将CrossEntropyLoss
拆解为LogSoftmax
和NLLLoss
两步,对交叉熵损失内部计算做了深度的解析,以更清晰地理解交叉熵损失函数。需要指出的是,本文所介绍的内容,只是对于CrossEntropyLoss的target为类索引的情况,CrossEntropyLoss的target还可以是每个类别的概率(Probabilities for each class),这种情况有所不同。
学习总结,以作分享,如有不妥,敬请指出。
Reference
- https://pytorch.org/docs/stable/generated/torch.nn.CrossEntropyLoss.html?highlight=crossentropyloss#torch.nn.CrossEntropyLoss ↩︎
- https://pytorch.org/docs/stable/generated/torch.nn.LogSoftmax.html?highlight=logsoftmax#torch.nn.LogSoftmax ↩︎
- https://pytorch.org/docs/stable/generated/torch.nn.NLLLoss.html?highlight=nllloss#torch.nn.NLLLoss ↩︎