深度学习基本函数

1、softmax归一化函数

把模型输出的score转换为概率,并且通过指数运算,放大了score之间的差距

python 复制代码
#在pytorch中这样引用
import torch
import torch.nn.functional as F

scores = torch.tensor([3.2, 1.3, 0.2])
print(F.softmax(scores, dim=0))
# 输出: tensor([0.8338, 0.1247, 0.0415])

# 原始算法如下
import numpy as np
a=np.array([1,2,3])

exp2=np.exp(a)
print(exp2/np.sum(exp2)) # [0.09003057 0.24472847 0.66524096]

print(np.max(a))  # 3
print(a-np.max(a)) # [-2 -1  0]
exp=np.exp(a-np.max(a))  # 减去最大值防止数值爆炸
print(exp) # [0.13533528 0.36787944 1.        ]
print(exp/np.sum(exp))  # [0.09003057 0.24472847 0.66524096]

2、损失函数

模型输出 :预测概率分布(例如,通过 Softmax 得到 [0.834, 0.125, 0.041]

真实情况 :真实标签的分布(例如,图片真实是"猫",我们用 one-hot 编码表示为 [1, 0, 0]

交叉熵计算过程:

H(P,Q)=−[P(猫)⋅log⁡(Q(猫))+P(狗)⋅log⁡(Q(狗))+P(兔子)⋅log⁡(Q(兔子))]

=−[(1)⋅log⁡(0.834)+(0)⋅log⁡(0.125)+(0)⋅log⁡(0.041)]

=−[log⁡(0.834)+0+0]

=−log⁡(0.834)

python 复制代码
#使用pytorch计算
import torch
import torch.nn as nn

# 定义损失函数
criterion = nn.CrossEntropyLoss()
outputs = torch.tensor([[3.2, 1.3, 0.2]]) 
labels = torch.tensor([0])

# 计算损失
loss = criterion(outputs, labels)
print(loss)


#手工这样计算
import numpy as np
a=np.array([3.2, 1.3, 0.2])
s=np.exp(a)/np.sum(np.exp(a))
print(-1*np.log(s[0]))

不同的任务,选择不同的损失函数,常见的

分类任务 :首选交叉熵

回归任务 :首选MSEMAE(MSE更常用,若数据有较多离群点可考虑MAE)。

相关推荐
XINVRY-FPGA41 分钟前
XCVU9P-2FLGA2104E Xilinx AMD Virtex UltraScale+ FPGA
人工智能·嵌入式硬件·fpga开发·硬件工程·dsp开发·射频工程·fpga
Elastic 中国社区官方博客3 小时前
Elasticsearch MCP 服务器:与你的 Index 聊天
大数据·服务器·人工智能·elasticsearch·搜索引擎·ai·全文检索
virtual_k1smet4 小时前
#等价于e * d ≡ 1 mod φ(n) #模逆元详解
人工智能·算法·机器学习
可触的未来,发芽的智生5 小时前
新奇特:神经网络的集团作战思维,权重共享层的智慧
人工智能·python·神经网络·算法·架构
H3C-Navigator5 小时前
HRPC在Polaris存储系统中的应用
网络·人工智能·ai-native
智慧地球(AI·Earth)5 小时前
智能体版中科院学术GPT上线内测!AI与科研的深度碰撞
人工智能·gpt·科研助手·学术智能体
文火冰糖的硅基工坊5 小时前
[创业之路-653]:社会产品与服务的分类
大数据·数据库·人工智能
StarPrayers.5 小时前
基于PyTorch的CIFAR10加载与TensorBoard可视化实践
人工智能·pytorch·python·深度学习·机器学习
肖书婷6 小时前
人工智能-机器学习day4
人工智能·机器学习