pytorch nllloss 函数目标形状不匹配答案

【问题标题】：pytorch nllloss function target shape mismatchpytorch nllloss 函数目标形状不匹配
【发布时间】：2020-05-24 01:00:54
【问题描述】：

我正在使用批量大小为 256 的 pytorch 和 NLLLoss() 作为损失函数来训练 LSTM 模型。损失函数的数据形状有问题。

前向传递的 softmax 输出的形状为 torch.Size([256, 4, 1181])，其中 256 是批量大小，4 是序列长度，1181 是词汇大小。

目标的形状为torch.Size([256, 4])，其中 256 是批量大小，4 是输出序列长度。

当我早先以 1 的批量大小进行测试时，模型运行良好，但当我添加批量大小时，它就坏了。我读到 NLLLoss() 可以将类目标作为输入，而不是一个热编码目标。

我是不是误会了？还是我没有正确格式化目标的形状？

class LSTM(nn.Module):

    def __init__(self, embed_size=100, hidden_size=100, vocab_size=1181, embedding_matrix=...):
        super(LSTM, self).__init__()
        self.hidden_size = hidden_size
        self.word_embeddings = nn.Embedding(vocab_size, embed_size)
        self.word_embeddings.load_state_dict({'weight': torch.Tensor(embedding_matrix)})
        self.word_embeddings.weight.requires_grad = False
        self.lstm = nn.LSTM(embed_size, hidden_size)
        self.hidden2out = nn.Linear(hidden_size, vocab_size)


    def forward(self, tokens):
        batch_size, num_steps = tokens.shape
        embeds = self.word_embeddings(tokens)
        lstm_out, _ = self.lstm(embeds.view(batch_size, num_steps, -1))
        out_space = self.hidden2out(lstm_out.view(batch_size, num_steps, -1))
        out_scores = F.log_softmax(out_space, dim=1)
        return out_scores

model = LSTM(self.config.embed_size, self.config.hidden_size, self.config.vocab_size, self.embedding_matrix)
loss_function = nn.NLLLoss()
optimizer = optim.Adam(model.parameters(), lr=self.config.lr)

错误：

~/anaconda3/lib/python3.7/site-packages/torch/nn/functional.py in nll_loss(input, target, weight, size_average, ignore_index, reduce, reduction)
   1846         if target.size()[1:] != input.size()[2:]:
   1847             raise ValueError('Expected target size {}, got {}'.format(
-> 1848                 out_size, target.size()))
   1849         input = input.contiguous().view(n, c, 1, -1)
   1850         target = target.contiguous().view(n, 1, -1)

ValueError: Expected target size (256, 554), got torch.Size([256, 4])

【问题讨论】：

您的使用方式似乎是正确的。最好添加您的确切错误。
@akshayk07 添加。
model = LSTM(self.config.embed_size, self.config.hidden_size, self.config.vocab_size, self.embedding_matrix) -> 在这一行，你可以直接使用合适的尺寸吗？可能是导致问题的原因。
@TYZ 检查文档中的nn.NLLLoss 再次仔细描述形状。如果输入是 (N,C,d)，那么目标应该是 (N,d)。在您的情况下，它看起来像输入是 (N,d,C)，因此转置输入的暗淡 1 和 2 可能会解决您的问题。
@TYZ 对不起，我指的是损失函数的输入，即网络输出。我只是在评论，如果x 是 (N,d,C) 网络输出，y 是 (N,d) 目标，那么 loss_function(x.reshape(N*d,C), y.reshape(N*d)) 与 loss_function(x.transpose(1,2), y) 相同，至少对于 NLLLoss .

标签： deep-learning nlp pytorch lstm loss-function

【解决方案1】：

损失函数的输入形状是(N, d, C) = (256, 4, 1181)，目标形状是(N, d) = (256, 4)，但是，根据NLLLoss 上的文档，对于(N, d) 的目标，输入应该是(N, C, d)。

假设x 是您的网络输出，y 是目标，那么您可以通过转置x 的不正确维度来计算损失，如下所示：

loss = loss_function(x.transpose(1, 2), y)

另外，由于 NLLLoss 只是对所有响应进行平均，因此您只需将 x 和 y 重塑为 (N*d, C) 和 (N*d) 张量即可避免创建数据副本并获得相同的结果：

loss = loss_function(x.reshape(N*d, C), y.reshape(N*d))

【讨论】：