【PyTorch笔记 04】F.cross_entropy的使用

torch.nn.functional.cross_entropy是PyTorch中用于计算交叉熵损失的函数，非常适合用于多分类问题。这个函数结合了log_softmax操作和nll_loss（负对数似然损失）的计算，因此输入得分（即模型输出）不需要事先经过softmax处理。

下面是一个使用torch.nn.functional.cross_entropy的示例，展示了如何在一个简单的神经网络模型中应用它来计算损失：

python 复制代码

import torch
import torch.nn as nn
import torch.nn.functional as F

# 假设我们有一个简单的模型
class SimpleModel(nn.Module):
    def __init__(self, input_size, num_classes):
        super(SimpleModel, self).__init__()
        self.linear = nn.Linear(input_size, num_classes)
    
    def forward(self, x):
        return self.linear(x)

# 创建模型实例
model = SimpleModel(input_size=10, num_classes=3)

# 模拟一批输入数据和标签
inputs = torch.randn(5, 10)  # 假设批大小为5，输入特征大小为10
labels = torch.tensor([0, 2, 1, 0, 2])  # 真实标签

# 模型前向传播
outputs = model(inputs)

# 计算交叉熵损失
# outputs: torch.Size([5, 3])
# labels: torch.Size([5]), 注意这个参数必须为long型的
loss = F.cross_entropy(outputs, labels)

print("Loss:", loss.item())

在这个示例中：

SimpleModel是一个简单的线性模型，其输出大小等于类别数。
我们创建了一批输入inputs和对应的标签labels。
模型的输出outputs是直接传递给F.cross_entropy的，不需要额外的softmax层，因为cross_entropy内部已经处理了这部分。
labels应该是每个样本的类别索引形式，而不是one-hot编码。
F.cross_entropy计算了从模型输出到真实标签的交叉熵损失。

这种方式使得实现多分类问题的模型训练变得简单而直接。