如何根据 PyTorch 中的概率计算交叉熵？答案

【问题标题】：How do I calculate cross-entropy from probabilities in PyTorch?如何根据 PyTorch 中的概率计算交叉熵？
【发布时间】：2020-05-26 17:13:06
【问题描述】：

默认情况下，PyTorch 的 cross_entropy 将 logits（模型的原始输出）作为输入。我知道CrossEntropyLoss 将LogSoftmax (log(softmax(x))) 和NLLLoss (负对数似然损失) 组合在一个类中。所以，我想我可以使用NLLLoss 从概率中获得交叉熵损失，如下所示：

真实标签：[1, 0, 1]
概率：[0.1, 0.9], [0.9, 0.1], [0.2, 0.8]

其中，y_i,j 表示真实值，即如果样本 i 属于类 j，则为 1，否则为 0。 p_i,j 表示您的样本模型预测的概率 i 属于类 j。

如果我手动计算，结果是：

>>> -(math.log(0.9) + math.log(0.9) + math.log(0.8))
0.4338

使用 PyTorch：

>>> labels = torch.tensor([1, 0, 1], dtype=torch.long)
>>> probs = torch.tensor([[0.1, 0.9], [0.9, 0.1], [0.2, 0.8]], dtype=torch.float)
>>> F.nll_loss(torch.log(probs), labels)
tensor(0.1446)

我做错了什么？为什么答案不一样？

【问题讨论】：

标签： deep-learning pytorch loss-function cross-entropy

【解决方案1】：

PyTorch 中的所有损失函数都有一个归约参数。正如您从documentation 中看到的那样，默认缩减参数是“均值”，它将总和除以批次中的元素数。要获得所需的求和行为（0.4338），您应该提供如下缩减参数：

F.nll_loss(torch.log(probs), labels,reduction='sum')

【讨论】：