nn.CrossEntropyLoss()
用于多分类,直接写标签序号就可以:0,1,2.
预测需要维度与标签长度一致。
import torch
import torch.nn as nn
import math
criterion = nn.CrossEntropyLoss()
output = torch.randn(3, 5, requires_grad=True)
label = torch.empty(3, dtype=torch.long).random_(5)
loss = criterion(output, label)print("网络输出为3个5类:")
print(output)
print("要计算loss的类别:")
print(label)
print("计算loss的结果:")
print(loss)
预测代码:log_softmax好像没有归一化,要不要好像没区别
output = model(img_arr)score = m_func.log_softmax(output, dim=1)_, match = torch.max(score.data, 1)index=match.item()
import torch
import torch.nn as nn
x_input=torch.randn(3,3)#随机生成输入
print('x_input:\n',x_input)
y_target=torch.tensor([1,2,0])#设置输出具体值 print('y_target\n',y_target)#计算输入softmax,此时可
nn.CrossEntropyLoss()相关推荐
- nn.BCELoss与nn.CrossEntropyLoss的区别
以前我浏览博客的时候记得别人说过,BCELoss与CrossEntropyLoss都是用于分类问题.可以知道,BCELoss是Binary CrossEntropyLoss的缩写,BCELoss Cr ...
- 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 ...
- 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 ...
- 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 ...
- nn.BCELoss和nn.CrossEntropyloss
nn.BCELoss和nn.CrossEntropyloss总结 nn.BCEloss 公式如下: 1.输入的X 代表模型的最后输出 y 代表你的label 我们的目的就是为了让模型去更好的学习lab ...
- 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. ...
- nn.CrossEntropyLoss的ignore_index标签(CE loss)
例如我的pred是(b,2,w,h),而label索引是(b,1,w,h)的矩阵,其中只有0,1值,0值代表从pred的第0个通道选择像素值,1值代表从pred的第1个通道选择像素值. 而此时我发现因 ...
最新文章
- 5G时代,微软又走对了一步棋!
- requests模块--python发送http请求
- es配置中防止脑裂的配置
- ALV OO的栏位属性
- echart单击后获取横坐标值_echart 横坐标倾斜
- C# 中xml数组的序列和反序列化方法
- sharedPreferences的用法
- python中remove用法_python中remove的一些坑
- jupyter notebook添加conda虚拟环境
- 还在用PS?程序猿:给我200行Python代码分分钟给你批量换脸
- 【3D建模制作技巧分享】用3dsmax制作炫酷的机器人模型
- 【油猴脚本编写初体验】一键复制网页标题和地址(copy-title-and-location)
- 微型计算机硬盘接口种类,各种类型的固态硬盘接口形态分类
- win10共享打印机 报错 709 57
- HDU-1567-A/B——算法笔记
- 计算机网络生存时间单位,TTL(生存时间值)_百度百科
- 计算机应用的基础包括内容是什么,计算机应用基础试题2
- App基本框架搭建丨日志管理 - KLog
- 算法学习笔记【1】:KMP 算法
- 考toeic心得。。。。