南京高端模板建站,网站qq弹窗代码,自己做的网站主页被人篡改,网站设计自已申请变量名解释
logits#xff1a;未经过normalize#xff08;未经过激活函数处理#xff09;的原始分数#xff0c;例如一个mlp将特征映射到num_target_class维的输出tensor就是logits。 probs#xff1a;probabilities的简写#xff0c;logits经过sigmoid函数#xff0c;…变量名解释
logits未经过normalize未经过激活函数处理的原始分数例如一个mlp将特征映射到num_target_class维的输出tensor就是logits。 probsprobabilities的简写logits经过sigmoid函数就变成了分布在0-1之间的概率值probs。
Binary Cross-Entropy Loss
Binary Cross-Entropy Loss简称为BCE loss即二元交叉熵损失。
二元交叉熵损失是一种用于二分类问题的损失函数。它衡量的是模型预测的概率分布与真实标签的概率分布之间的差异。在二分类问题中每个样本的标签只有两种可能的状态通常表示为 0负类和 1正类。
其公式为 BCE Loss − 1 N ∑ i 1 N [ y i log ( p i ) ( 1 − y i ) log ( 1 − p i ) ] \text { BCE Loss }-\frac{1}{N} \sum_{i1}^N\left[y_i \log \left(p_i\right)\left(1-y_i\right) \log \left(1-p_i\right)\right] BCE Loss −N1i1∑N[yilog(pi)(1−yi)log(1−pi)] 其中 N N N是数据集的样本数量。 y i y_i yi是第 i {i} i个样本的真实标签取值为 0 或 1即第 i {i} i个样本要么属于类别 0负类要么属于类别 1正类。 p i p_i pi是第 i {i} i个样本属于类别 1正类的概率 log \log log是是自然对数。
当真实标签 y i 1 y_i1 yi1 时损失函数的第一部分 y i log ( p i ) y_i \log \left(p_i\right) yilog(pi) 起作用第二部分为 0 。此时, 如果预测概率 p i p_i pi 接近 1 接近真实标签 y i 1 y_i1 yi1 那么 log ( p i ) \log \left(p_i\right) log(pi) 接近 0 , 损失较小如果 p i p_i pi 接近 0 即模型预测错误那么 log ( p i ) \log \left(p_i\right) log(pi) 会变得成绝对值很大的负数导致取反后loss很大。
当真实标签 y i 0 y_i0 yi0 时损失函数的第二部分 ( 1 − y i ) log ( 1 − p i ) \left(1-y_i\right) \log \left(1-p_i\right) (1−yi)log(1−pi)起作用第一部分为 0。此时预测概率 p i p_i pi越接近于 0整体loss越小。
Pytorch手动实现
import torch
import torch.nn.functional as Fdef manual_binary_cross_entropy_with_logits(logits, targets):# 使用 Sigmoid 函数将 logits 转换为概率probs torch.sigmoid(logits)# 计算二元交叉熵损失loss - torch.mean(targets * torch.log(probs) (1 - targets) * torch.log(1 - probs))return loss# logits和targets可以是任意shape的tensor只要shape相同即可
logits torch.tensor([0.2, -0.4, 1.2, 0.8])
targets torch.tensor([0., 1., 1., 0.])
assert logits.shape targets.shape# 使用 PyTorch 的 F.binary_cross_entropy_with_logits 函数计算损失
loss_pytorch F.binary_cross_entropy_with_logits(logits, targets)# 使用手动实现的函数计算损失
loss_manual manual_binary_cross_entropy_with_logits(logits, targets)print(fLoss (PyTorch): {loss_pytorch.item()})
print(fLoss (Manual): {loss_manual.item()})
F.binary_cross_entropy 与 F.binary_cross_entropy_with_logits的区别
F.binary_cross_entropy的输入是probs
F.binary_cross_entropy_with_logits的输入是logits
