NLLLoss#

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

负对数似然损失。它适用于训练具有 C 个类别的分类问题。

如果提供了可选参数 weight，它应该是一个一维张量，为每个类别分配权重。当您拥有不平衡的训练数据集时，这一点尤其有用。

通过前向调用输入的 input 预期包含每个类别的对数概率。 input 必须是大小为 $(minibatch, C)$ 或 $(minibatch, C, d_1, d_2, ..., d_K)$ 张量，其中 $K \geq 1$ 用于 K 维情况。后者对于更高维度的输入很有用，例如计算 2D 图像每个像素的 NLL 损失。

通过在网络的最后一层添加 LogSoftmax 层，可以轻松获得神经网络中的对数概率。如果您更愿意不添加额外的层，则可以使用 CrossEntropyLoss。

此损失期望的 target 应该是类索引，其范围在 $[0, C-1]$ 内，其中 C = 类别数量；如果指定了 ignore_index，此损失也接受该类别索引（该索引不一定在类别范围内）。

未约简的（即 reduction 设置为 'none'）损失可以描述为

\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 $x$ 是输入， $y$ 是目标， $w$ 是权重， $N$ 是批量大小。如果 reduction 不是 'none' （默认值为 'mean'），则

\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}

参数

weight (Tensor, optional) – 手动为每个类别指定的重缩放权重。如果指定，它必须是一个大小为 C 的张量。否则，假定其所有元素为 1。
size_average (bool, optional) – 已弃用 (参见 reduction)。默认情况下，损失会根据批次中的每个损失元素进行平均。请注意，对于某些损失，每个样本有多个元素。如果 size_average 字段设置为 False，则损失将改为对每个小批量进行求和。在 reduce 为 False 时忽略。默认值：None
ignore_index (int, optional) – 指定一个被忽略且不计入输入梯度的目标值。当 size_average 为 True 时，损失将根据非忽略的目标进行平均。
reduce (bool, optional) – 已弃用 (参见 reduction)。默认情况下，损失会根据 size_average 的值，对每个小批量中的观测值进行平均或求和。当 reduce 为 False 时，将返回每个批次元素的损失，并忽略 size_average。默认值：None
reduction (str, optional) – 指定应用于输出的缩减方式：'none' | 'mean' | 'sum'。 'none'：不进行缩减； 'mean'：取输出的加权平均值； 'sum'：对输出进行求和。注意：size_average 和 reduce 正在被弃用，在此期间，指定其中任一参数将覆盖 reduction。默认值：'mean'

形状：

输入： $(N, C)$ 或 $(C)$ ，其中 C = 类别数量， N = 批量大小，或 $(N, C, d_1, d_2, ..., d_K)$ ，其中 $K \geq 1$ 用于 K 维损失。
目标： $(N)$ 或 $()$ ，其中每个值都是 $0 \leq \text{targets}[i] \leq C-1$ ，或 $(N, d_1, d_2, ..., d_K)$ ，其中 $K \geq 1$ 在 K 维损失情况下。
输出：如果 reduction 为 'none'，形状为 $(N)$ 或 $(N, d_1, d_2, ..., d_K)$ ，其中 $K \geq 1$ 在 K 维损失情况下。否则，为标量。

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]#

执行前向传播。

返回类型: 张量

NLLLoss#

文档

教程

资源