pytorch中的多标签分类

Question

我有一个多标签分类问题。我有 11 个类，大约 4k 个示例。每个示例可以有 1 到 4-5 个标签。目前，我正在使用 log_loss 为每个类分别训练一个分类器。正如您所料，训练 11 个分类器需要相当长的时间，我想尝试另一种方法并只训练 1 个分类器。这个想法是这个分类器的最后一层将有 11 个节点，并且会按类输出一个实数，然后通过 sigmoid 将其转换为概率。我要优化的损失是所有类的 log_loss 的平均值。

不幸的是，我是 pytorch 的菜鸟，即使通过阅读损失的源代码，我也无法确定已经存在的损失之一是否完全符合我的要求，或者我是否应该创建一个新的损失，如果是这样的话，我真的不知道该怎么做。

具体来说，我想为批次的每个元素提供一个大小为 11 的向量（其中包含每个标签的实数（越接近无穷大，该类预测为 1 越接近），并且1 个大小为 11 的向量（每个真实标签都包含一个 1），并且能够计算所有 11 个标签的平均 log_loss，并根据该损失优化我的分类器。

任何帮助将不胜感激:)

Answer 1

您正在寻找torch.nn.BCELoss。下面是示例代码：

import torch

batch_size = 2
num_classes = 11

loss_fn = torch.nn.BCELoss()

outputs_before_sigmoid = torch.randn(batch_size, num_classes)
sigmoid_outputs = torch.sigmoid(outputs_before_sigmoid)
target_classes = torch.randint(0, 2, (batch_size, num_classes))  # randints in [0, 2).

loss = loss_fn(sigmoid_outputs, target_classes)

# alternatively, use BCE with logits, on outputs before sigmoid.
loss_fn_2 = torch.nn.BCEWithLogitsLoss()
loss2 = loss_fn_2(outputs_before_sigmoid, target_classes)
assert loss == loss2