损失函数与反向传播

绿树疯子2024-09-01 10:15

1.损失函数的作用

计算实际输出和目标之间的差距
为我们更新输出提供一定的依据（反向传播）

2.介绍几种官方文档中的损失函数

损失函数只能处理float类型的张量。

L1Loss (MAE)：

python 复制代码

import torch
from torch.nn import L1Loss

inputs=torch.tensor([1,2,3],dtype=torch.float32)
targets=torch.tensor([1,2,5],dtype=torch.float32)

inputs=torch.reshape(inputs,(1,1,1,3))
targets=torch.reshape(targets,(1,1,1,3))

loss=L1Loss()
result=loss(inputs,targets)

print(result)

MSELoss：

python 复制代码

loss_mse=nn.MSELoss()
result_mse=loss_mse(inputs,targets)

CrossEntropyLoss：
该Loss算法计算输入对数与目标对数之间的交叉熵损失，在训练 C 类分类问题时非常有用。

python 复制代码

x=torch.tensor([0.1,0.2,0.3])
y=torch.tensor([1])
x=torch.reshape(x,(1,3))
loss_cross=nn.CrossEntropyLoss()
result_cross=loss_cross(x,y)

3.在神经网络中使用Loss Function

python 复制代码

import torchvision
from torch import nn
from torch.nn import Sequential, Conv2d, MaxPool2d, Flatten, Linear
from torch.utils.data import DataLoader

dataset=torchvision.datasets.CIFAR10("data",train=False,transform=torchvision.transforms.ToTensor(),
                                     download=True)

#每个批次中加载的数据项数量
dataloader=DataLoader(dataset,batch_size=1)

class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()

        self.model1=Sequential(
            Conv2d(3,32,5,padding=2),
            MaxPool2d(2),
            Conv2d(32,32,5,padding=2),
            MaxPool2d(2),
            Conv2d(32,64,5,padding=2),
            MaxPool2d(2),
            Flatten(),
            Linear(1024,64),
            Linear(64,10)
        )

    def forward(self, x):
        x=self.model1(x)
        return x

loss=nn.CrossEntropyLoss()
tudui=Tudui()
for data in dataloader:
    imgs,targets = data
    outputs =tudui(imgs)
    result_loss=loss(outputs,targets)
    print(result_loss)

4.grad梯度

result_loss.backward()

python 复制代码

loss=nn.CrossEntropyLoss()
tudui=Tudui()
for data in dataloader:
    imgs,targets = data
    outputs =tudui(imgs)
    result_loss=loss(outputs,targets)
    result_loss.backward()
    print("ok")

Debug

python 复制代码

优化器就是根据grad中的值进行优化loss