PyTorch交叉熵理解

PyTorch 中的交叉熵损失

CrossEntropyLoss

PyTorch 中使用CrossEntropyLoss 计算交叉熵损失，常用于分类任务。交叉熵损失衡量了模型输出的概率分布与实际标签分布之间的差异，目标是最小化该损失以优化模型。

我们通过一个具体的案例来详细说明 CrossEntropyLoss 的计算过程。

假设我们有一个简单的分类任务，共有 3 个类别。我们有 2 个样本的预测和实际标签。

输入

模型的预测（logits，未经过 softmax 激活）
实际标签

python 复制代码

import torch
import torch.nn as nn

# 模型的预测（logits）
logits = torch.tensor([[2.0, 1.0, 0.1],
                       [0.5, 2.0, 0.3]])

# 实际标签
labels = torch.tensor([0, 2])

计算步骤

步骤 1: Softmax 激活

首先，将 logits 通过 softmax 激活函数转换为概率分布。

python 复制代码

softmax = nn.Softmax(dim=1)
probabilities = softmax(logits)
print(probabilities)

输出

python 复制代码

tensor([[0.6590, 0.2424, 0.0986],
        [0.1587, 0.7113, 0.1299]])

步骤 2: 计算交叉熵

交叉熵损失的计算公式为：

C r o s s E n t r o p y L o s s = − ∑ i = 1 N log ⁡ ( p i , y i ) CrossEntropyLoss=-\sum_{i=1}^{N}{\log{(}}{{p}{i,{{y}{i}}}}) CrossEntropyLoss=−∑i=1Nlog(pi,yi)

其中 N 是样本数量， p i , y i p_{i,y_i} pi,yi是第 i个样本在实际标签 y i y_i yi 位置上的预测概率。

我们手动计算每个样本的交叉熵损失：

对于第一个样本，实际标签为 0，预测概率为 0.6590

l o s s 1 = − log ⁡ ( 0.6590 ) ≈ 0.4171 {{loss}_{1}}=-\log{(}0.6590)\approx 0.4171 loss1=−log(0.6590)≈0.4171

对于第二个样本，实际标签为 2，预测概率为 0.1299

l o s s 2 = − log ⁡ ( 0.1299 ) ≈ 2.0406 {{loss}_{2}}=-\log{(}0.1299)\approx 2.0406 loss2=−log(0.1299)≈2.0406

平均损失为：

m e a n = 0.4171 + 2.0406 2 ≈ 1.2288 mean=\frac{0.4171+2.0406}{2}\approx 1.2288 mean=20.4171+2.0406≈1.2288

步骤 3: 使用 PyTorch 的 CrossEntropyLoss 计算

我们使用 PyTorch 的 CrossEntropyLoss 函数来验证计算结果：

python 复制代码

criterion = nn.CrossEntropyLoss()
loss = criterion(logits, labels)
print(loss.item())

输出

shell 复制代码

1.2288230657577515

步骤4：依据公式使用 PyTorch 计算

依据前面的公式使用 PyTorch 计算来验算结果

python 复制代码

neg_log_p = -torch.log(probabilities)
loss_cal = neg_log_p[torch.arange(neg_log_p.shape[0]), labels].mean()
print(loss_cal.item())

输出

shell 复制代码

1.228823184967041

结果基本一致。

总结

CrossEntropyLoss 接受未经过 softmax 的 logits 作为输入。
内部首先对 logits 应用 softmax，将其转换为概率分布。
然后根据实际标签计算交叉熵损失。