PyTorch的SoftMax交叉熵损失和梯度用法

在PyTorch中可以方便的验证SoftMax交叉熵损失和对输入梯度的计算

关于softmax_cross_entropy求导的过程,可以参考HERE

示例：

# -*- coding: utf-8 -*-
import torch
import torch.autograd as autograd
from torch.autograd import Variable
import torch.nn.functional as F
import torch.nn as nn
import numpy as np

# 对data求梯度,用于反向传播
data = Variable(torch.FloatTensor([[1.0,2.0,3.0],[1.0,3.0]]),requires_grad=True)

# 多分类标签 one-hot格式
label = Variable(torch.zeros((3,3)))
label[0,2] = 1
label[1,1] = 1
label[2,0] = 1
print(label)

# for batch loss = mean( -sum(Pj*logSj) )
# for one : loss = -sum(Pj*logSj)
loss = torch.mean(-torch.sum(label * torch.log(F.softmax(data,dim=1)),dim=1))

loss.backward()
print(loss,data.grad)

输出：

tensor([[ 0.,0.,1.],[ 0.,1.,0.],[ 1.,0.]])
# loss:损失 和 input's grad:输入的梯度
tensor(1.4076) tensor([[ 0.0300,0.0816,-0.1116],[ 0.0300,-0.2518,0.2217],[-0.3033,0.2217]])

注意：

对于单输入的loss 和 grad

data = Variable(torch.FloatTensor([[1.0,requires_grad=True)

label = Variable(torch.zeros((1,3)))
#分别令不同索引位置label为1
label[0,0] = 1
# label[0,1] = 1
# label[0,2] = 1
print(label)

# for batch loss = mean( -sum(Pj*logSj) )
# for one : loss = -sum(Pj*logSj)
loss = torch.mean(-torch.sum(label * torch.log(F.softmax(data,data.grad)

其输出：

# 第一组:
lable: tensor([[ 1.,0.]])
loss: tensor(2.4076)
grad: tensor([[-0.9100,0.2447,0.6652]])

# 第二组:
lable: tensor([[ 0.,0.]])
loss: tensor(1.4076)
grad: tensor([[ 0.0900,-0.7553,0.6652]])

# 第三组:
lable: tensor([[ 0.,1.]])
loss: tensor(0.4076)
grad: tensor([[ 0.0900,-0.3348]])

"""
解释:
对于输入数据 tensor([[ 1.,2.,3.]]) softmax之后的结果如下
tensor([[ 0.0900,0.6652]])
交叉熵求解梯度推导公式可知 s[0,0]-1,s[0,1]-1,2]-1 是上面三组label对应的输入数据梯度
"""

pytorch提供的softmax,和log_softmax 关系

# 官方提供的softmax实现
In[2]: import torch
 ...: import torch.autograd as autograd
 ...: from torch.autograd import Variable
 ...: import torch.nn.functional as F
 ...: import torch.nn as nn
 ...: import numpy as np
In[3]: data = Variable(torch.FloatTensor([[1.0,requires_grad=True)
In[4]: data
Out[4]: tensor([[ 1.,3.]])
In[5]: e = torch.exp(data)
In[6]: e
Out[6]: tensor([[ 2.7183,7.3891,20.0855]])
In[7]: s = torch.sum(e,dim=1)
In[8]: s
Out[8]: tensor([ 30.1929])
In[9]: softmax = e/s
In[10]: softmax
Out[10]: tensor([[ 0.0900,0.6652]])
In[11]: # 等同于 pytorch 提供的 softmax
In[12]: org_softmax = F.softmax(data,dim=1)
In[13]: org_softmax
Out[13]: tensor([[ 0.0900,0.6652]])
In[14]: org_softmax == softmax # 计算结果相同
Out[14]: tensor([[ 1,1,1]],dtype=torch.uint8)

# 与log_softmax关系
# log_softmax = log(softmax)
In[15]: _log_softmax = torch.log(org_softmax)
In[16]: _log_softmax
Out[16]: tensor([[-2.4076,-1.4076,-0.4076]])
In[17]: log_softmax = F.log_softmax(data,dim=1)
In[18]: log_softmax
Out[18]: tensor([[-2.4076,-0.4076]])

官方提供的softmax交叉熵求解结果

# -*- coding: utf-8 -*-
import torch
import torch.autograd as autograd
from torch.autograd import Variable
import torch.nn.functional as F
import torch.nn as nn
import numpy as np

data = Variable(torch.FloatTensor([[1.0,requires_grad=True)
log_softmax = F.log_softmax(data,dim=1)

label = Variable(torch.zeros((3,0] = 1
print("lable: ",label)

# 交叉熵的计算方式之一
loss_fn = torch.nn.NLLLoss() # reduce=True loss.sum/batch & grad/batch
# NLLLoss输入是log_softmax,target是非one-hot格式的label
loss = loss_fn(log_softmax,torch.argmax(label,dim=1))
loss.backward()
print("loss: ",loss,"ngrad: ",data.grad)

"""
# 交叉熵计算方式二
loss_fn = torch.nn.CrossEntropyLoss() # the target label is NOT an one-hotted
#CrossEntropyLoss适用于分类问题的损失函数
#input:没有softmax过的nn.output,target是非one-hot格式label
loss = loss_fn(data,data.grad)
"""
"""

输出

lable: tensor([[ 0.,0.]])
loss: tensor(1.4076)
grad: tensor([[ 0.0300,0.2217]])

通过和示例的输出对比,发现两者是一样的

以上这篇PyTorch的SoftMax交叉熵损失和梯度用法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持我们。

（编辑：李大同）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!