NLLLoss#

class torch.nn.NLLLoss(weight=None, size_average=None, ignore_index=-100, reduce=None, reduction='mean')[source]#

負對數似然損失。它適用於訓練具有 C 個類別的分類問題。

如果提供了可選引數 weight，它應該是一個一維張量，為每個類別分配權重。當您擁有不平衡的訓練資料集時，這一點尤其有用。

透過前向呼叫輸入的 input 預期包含每個類別的對數機率。 input 必須是大小為 $(minibatch, C)$ 或 $(minibatch, C, d_1, d_2, ..., d_K)$ 張量，其中 $K \geq 1$ 用於 K 維情況。後者對於更高維度的輸入很有用，例如計算 2D 影像每個畫素的 NLL 損失。

透過在網路的最後一層新增 LogSoftmax 層，可以輕鬆獲得神經網路中的對數機率。如果您更願意不新增額外的層，則可以使用 CrossEntropyLoss。

此損失期望的 target 應該是類索引，其範圍在 $[0, C-1]$ 內，其中 C = 類別數量；如果指定了 ignore_index，此損失也接受該類別索引（該索引不一定在類別範圍內）。

未約簡的（即 reduction 設定為 'none'）損失可以描述為

\ell(x, y) = L = \{l_1,\dots,l_N\}^\top, \\ l_n = - w_{y_n} x_{n,y_n}, \\ w_{c} = \text{weight}[c] \cdot \mathbb{1}\{c \not= \text{ignore\_index}\},

其中 $x$ 是輸入， $y$ 是目標， $w$ 是權重， $N$ 是批次大小。如果 reduction 不是 'none' （預設值為 'mean'），則

\ell(x, y) = \begin{cases} \sum_{n=1}^N \frac{1}{\sum_{n=1}^N w_{y_n}} l_n, & \text{if reduction} = \text{`mean';}\\ \sum_{n=1}^N l_n, & \text{if reduction} = \text{`sum'.} \end{cases}

引數

weight (Tensor, optional) – 手動為每個類別指定的重縮放權重。如果指定，它必須是一個大小為 C 的張量。否則，假定其所有元素為 1。
size_average (bool, optional) – 已棄用 (參見 reduction)。預設情況下，損失會根據批次中的每個損失元素進行平均。請注意，對於某些損失，每個樣本有多個元素。如果 size_average 欄位設定為 False，則損失將改為對每個小批次進行求和。在 reduce 為 False 時忽略。預設值：None
ignore_index (int, optional) – 指定一個被忽略且不計入輸入梯度的目標值。當 size_average 為 True 時，損失將根據非忽略的目標進行平均。
reduce (bool, optional) – 已棄用 (參見 reduction)。預設情況下，損失會根據 size_average 的值，對每個小批次中的觀測值進行平均或求和。當 reduce 為 False 時，將返回每個批次元素的損失，並忽略 size_average。預設值：None
reduction (str, optional) – 指定應用於輸出的縮減方式：'none' | 'mean' | 'sum'。 'none'：不進行縮減； 'mean'：取輸出的加權平均值； 'sum'：對輸出進行求和。注意：size_average 和 reduce 正在被棄用，在此期間，指定其中任一引數將覆蓋 reduction。預設值：'mean'

形狀：

輸入： $(N, C)$ 或 $(C)$ ，其中 C = 類別數量， N = 批次大小，或 $(N, C, d_1, d_2, ..., d_K)$ ，其中 $K \geq 1$ 用於 K 維損失。
目標： $(N)$ 或 $()$ ，其中每個值都是 $0 \leq \text{targets}[i] \leq C-1$ ，或 $(N, d_1, d_2, ..., d_K)$ ，其中 $K \geq 1$ 在 K 維損失情況下。
輸出：如果 reduction 為 'none'，形狀為 $(N)$ 或 $(N, d_1, d_2, ..., d_K)$ ，其中 $K \geq 1$ 在 K 維損失情況下。否則，為標量。

示例

>>> log_softmax = nn.LogSoftmax(dim=1)
>>> loss_fn = nn.NLLLoss()
>>> # input to NLLLoss is of size N x C = 3 x 5
>>> input = torch.randn(3, 5, requires_grad=True)
>>> # each element in target must have 0 <= value < C
>>> target = torch.tensor([1, 0, 4])
>>> loss = loss_fn(log_softmax(input), target)
>>> loss.backward()
>>>
>>>
>>> # 2D loss example (used, for example, with image inputs)
>>> N, C = 5, 4
>>> loss_fn = nn.NLLLoss()
>>> data = torch.randn(N, 16, 10, 10)
>>> conv = nn.Conv2d(16, C, (3, 3))
>>> log_softmax = nn.LogSoftmax(dim=1)
>>> # output of conv forward is of shape [N, C, 8, 8]
>>> output = log_softmax(conv(data))
>>> # each element in target must have 0 <= value < C
>>> target = torch.empty(N, 8, 8, dtype=torch.long).random_(0, C)
>>> # input to NLLLoss is of size N x C x height (8) x width (8)
>>> loss = loss_fn(output, target)
>>> loss.backward()

forward(input, target)[source]#

執行前向傳播。

返回型別: 張量

NLLLoss#

文件

教程

資源