Pytorch - 使用一种热编码和 softmax 的（分类）交叉熵损失答案

【问题标题】：Pytorch - (Categorical) Cross Entropy Loss using one hot encoding and softmaxPytorch - 使用一种热编码和 softmax 的（分类）交叉熵损失
【发布时间】：2021-03-11 13:32:16
【问题描述】：

我正在寻找 Pytorch 中的交叉熵损失函数，它类似于 Tensorflow 中的 CategoricalCrossEntropyLoss。

我的标签是热编码的，预测是 softmax 层的输出。例如（每个样本属于一个类）：

targets = [0, 0, 1]
predictions = [0.1, 0.2, 0.7]

我想计算 softmax 值的（分类）交叉熵，不将预测的最大值作为标签，然后计算交叉熵。不幸的是，我没有找到合适的解决方案，因为 Pytorch 的 CrossEntropyLoss 不是我想要的，它的 BCELoss 也不是我所需要的（不是吗？）。

有谁知道在 Pytorch 中使用哪个损失函数或如何处理它？非常感谢！

【问题讨论】：

“不将预测的最大值作为标签，然后计算交叉熵”，为什么不呢？

标签： python pytorch one-hot-encoding cross-entropy

【解决方案1】：

我认为 Tensorflow 的 CategoricalCrossEntropyLoss 等同于 PyTorch 的 CrossEntropyLoss，但似乎不是。前者采用 OHE，而后者也采用标签。然而，进口差异似乎是：

torch.nn.CrossEntropyLoss 是torch.nn.LogSoftmax 和torch.nn.NLLLoss() 的组合：
tf.keras.losses.CategoricalCrossEntropyLoss 类似于：

您的预测已经通过了 sotfmax。所以只需要应用负对数似然。我可能是错的，但根据here 的讨论，你可以试试这个：

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

    def forward(self, y_hat, y):
        return nn.NLLLoss()(torch.log(y_hat), torch.argmax(y, dim=1))

上面的预测向量从one-hot-encoding转换为带有torch.argmax的标签。

如果这是正确的，为什么不首先使用torch.nn.CrossEntropyLoss？您只需要删除模型最后一层的 softmax 并转换目标标签。

【讨论】：

在前向传球中你没有将y 传给NNLoss