我应该使用这种多类多标签（？）问题的哪种损失函数？

【问题标题】：What sort of loss function should I use this multi-class multi-label(?) problem?我应该使用这种多类多标签（？）问题的哪种损失函数？
【发布时间】：2020-03-14 11:02:03
【问题描述】：

在我的实验中，我试图训练一个神经网络来检测患者是否表现出症状 A、B、C、D。我的数据包括每位患者的不同角度照片以及他们是否有症状 A、B、 C，D。

现在，pytoch，我正在使用 MSELoss 并将我的测试错误计算为分类总数中正确分类的总数。我猜这太天真了，甚至不合适。

测试错误计算的示例如下：假设我们有 2 位患者，他们每人有两张图像。然后将有 16 个总分类（1 表示患者 1 是否有照片 1 中的症状 A、B、C、D 等）。如果模型正确预测照片 1 中患者 1 表现出症状 A，那么这将使正确分类的总数增加 1。

【问题讨论】：

标签： deep-learning pytorch loss-function multilabel-classification multiclass-classification

【解决方案1】：

我建议在多类多标签分类中使用binary-crossentropy。这对于多标签分类来说似乎违反直觉，但请记住，这里的目标是将每个输出标签视为一个独立的分布（或类）。

在pytorch 中，您可以使用torch.nn.BCELoss(weight=None, size_average=None, reduce=None, reduction='mean')。这将创建一个衡量目标和输出之间的二元交叉熵的标准。

【讨论】：

值得一提的是输出层应该有 sigmoid 激活。或者，不使用激活和 BCEWithLogitsLoss，它具有内置的 sigmoid，并且在数值上更稳定。
但是 OP 说它是多类的，所以我们不想要常规的交叉熵吗？不是二进制的。
@jchaykow OP 正试图按照二元类 A、B、C、D 对一名患者进行分类，这是一个具有 4 个预测的二元分类问题。