LogSoftmax(dim=None)
对n维输入张量做softmax操作并取对数。
\[LogSoftmax(x_{i})=log(\frac{exp(x_{i})}{\sum_{j}exp(x_{j})})
\]
shape
- input(*): *代表任意的维度
- output(*): 和输入维度相同
parameters
- dim(int): 维度为dim的张量
return
返回值在[-inf, 0)之间
NLLLoss()
函数签名
NLLLoss(weight=None, size_average=None, ignore_index=-100, reduce=None, reduction='mean')
具体含义
- 负对数似然损失。用作带有\(C\)个类别的分类问题的损失函数。如果提供参数weight，则weight应该是1D的张量，其中每个元素表示对应类别的权重，适用于类别不平衡的情况。
- 输入的维度：(minibatch, C)
- 目标维度（真实标签）：(N)
- 在使用NLLLoss()之前需要将输入数据做Softmax()处理，将输入映射到（0， 1）之间
CrossEntropyLoss()
函数签名
CrossEntropyLoss(weight=None, size_average=None, ignore_index=-100, reduce=None, reduction='mean')
具体含义
- 是LogSoftmax()和NLLLoss()的结合，即先对输入数据做LogSoftmax处理，再做NLLLoss处理
- 输入维度： (minibatch, C)
- 目标维度（真实标签）：(N)
\[loss(x,class)=-log(\frac{exp(x[class])}{\sum_{j}exp(x[j])})
\]
举例
loss = nn.CrossEntropyLoss()
input = torch.randn(3, 5, required_grad=True) #shape: (3, 5)
target = torch.empty(3, dtype=torch.long).random_(5) #shape: (3,)，其中每个元素是其类别编号
output = loss(input, target)
output.backward()