PyTorch nn.CrossEntropyLoss() dimension out of range (expected to be in range of [-1, 0], but got 1)
import torch
import torch.nn as nn
loss_fn = nn.CrossEntropyLoss()
# 方便理解,此处假设batch_size = 1
x_input = torch.randn(2, 3) # 预测2个对象,每个对象分别属于三个类别分别的概率
# 需要的GT格式为(2)的tensor,其中的值范围必须在0-2(0<value<C-1)之间。
x_target = torch.tensor([0, 2]) # 这里给出两个对象所属的类别标签即可,此处的意思为第一个对象属于第0类,第二个我对象属于第2类
loss = loss_fn(x_input, x_target)
print('loss:\n', loss)
input 需要输入的是logits,logits参考这篇
logits含义
target 不能是ont-hot编码的,直接写
target = tensor([3])
即可,报错因为用了one-hot编码
PyTorch nn.CrossEntropyLoss() dimension out of range (expected to be in range of [-1, 0], but got 1)相关推荐
- pytorch nn.CrossEntropyLoss
应用 概念讲解 1)假设有m张图片,经过神经网络后输出为m*n的矩阵(m是图片个数,n是图片类别),下例中: m=2,n=2既有两张图片,供区分两种类别比如猫狗.假设第0维为猫,第1维为狗 impor ...
- [深度学习] Pytorch nn.CrossEntropyLoss()和nn.NLLLoss() 区别
nn.NLLLoss()的参数是经过logsoftmax加工的,而CrossEntropyLoss的是原始输出数据 target = torch.tensor([1, 2]) entropy_out ...
- 什么意思IndexError: Dimension out of range (expected to be in range of [-1, 0], but got 1)
这个报错有千万种可能,大家代码环境可能千差万别,因为这个是一个广泛型报错,不是那种专门某个包才会报的错. 所以我只能跟你说这个报错是什么意思,然后你需要自己检查. 原因: pytorch内部要求输入是 ...
- Dimension out of range (expected to be in range of [-2, 1], but got 2)
ret = (torch.sum(torch.sum((mat ** 2), 1), 2).squeeze() + 1e-10) ** 0.5 报错,改成以下即可,矩阵没有那么多维度,按那么多维度去相 ...
- 深入理解Pytorch负对数似然函数(torch.nn.NLLLoss)和交叉熵损失函数(torch.nn.CrossEntropyLoss)
在看Pytorch的交叉熵损失函数torch.nn.CrossEntropyLoss官方文档介绍中,给出的表达式如下.不免有点疑惑为何交叉熵损失的表达式是这个样子的 loss ( y , clas ...
- 对于pytorch中nn.CrossEntropyLoss()与nn.BCELoss()的理解和使用
在pytorch中nn.CrossEntropyLoss()为交叉熵损失函数,用于解决多分类问题,也可用于解决二分类问题. BCELoss是Binary CrossEntropyLoss的缩写,nn. ...
- 深入浅出PyTorch中的nn.CrossEntropyLoss
目录 一.前言 二.理论基础 三.主要参数 3.1 输入与输出 四.从零开始实现 `nn.CrossEntropyLoss` 一.前言 nn.CrossEntropyLoss 常用作多分类问题的损失函 ...
- pytorch的nn.CrossEntropyLoss()函数使用方法
nn.CrossEntropyLoss()函数计算交叉熵损失 用法: # output是网络的输出,size=[batch_size, class] #如网络的batch size为128,数据分为1 ...
- PyTorch之torch.nn.CrossEntropyLoss()
简介 信息熵: 按照真实分布p来衡量识别一个样本所需的编码长度的期望,即平均编码长度 交叉熵: 使用拟合分布q来表示来自真实分布p的编码长度的期望,即平均编码长度 多分类任务中的交叉熵损失函数 代码 ...
最新文章
- 0-100之间的素数、判断素数的基本和优化方法
- NSString与NSData互转
- Fiddler抓包工具详解(三)(fiddler监控面板+辅助工具)
- c# winform 中的坐标系
- axureux中后台管理信息系统通用原型方案 v2_前端公共图表数据大盘方案
- 常用命令之------ln
- 在centos服务器上安装配置私人邮箱,并在web端管理邮件
- 路由器的分组转发算法
- MySQL for Java的SQL注入测试
- Codeforces Beta Round #1 题解
- PIC温控器c语言程序,PIC单片机温感器DS18B20 C语言程序代码
- 计算机专业窗体的事件何时触发,高三计算机专业VB试题(七)
- 谷歌生物医学翻译软件_翻译器可翻译方言和文言文 超出谷歌微软的翻译软件能力...
- 15个网盘资源搜索引擎
- 国内手机号码11位的原因
- 你所不知的有趣投影方法
- 如何把catia完全卸载干净_catia卸载不了怎么解决-解决catia无法卸载的方法 - 河东软件园...
- oracle改字体大小_sqlplus改字体
- grafana 使用MySQL存储数据
- LA2402 Fishnet 四边形面积
热门文章
- 满分室间质评之GATK Somatic SNV+Indel+CNV+SV(下)性能优化
- pci规划的三个原则_PCI规划应遵循什么原则? - 51学通信网络课堂 - 通信人值得信赖的在线交流学习平台 - Powered By EduSoho...
- 网络请求框架 -- 理解Https
- html5 自动矢量化,ArcScan自动矢量化
- 未来,你会反感虚拟现实沉浸式广告吗?
- 办流量卡要身份证照片,办流量卡是否需要身份证正反面照片
- hr常见面试题及答案
- 基于Patachmatch的stereo matching笔记(三):《PatchmatchNet》
- CH57X/CH58X系列BLE Mesh无线组网方案
- Android使用XML做动画UI