如何计算Pytorch中二分类的交叉熵损失？
在PyTorch中计算二分类的交叉熵损失可以使用torch.nn.BCELoss()函数。BCE代表二元交叉熵（Binary Cross Entropy）。以下是计算二分类交叉熵损失的步骤：
- 导入PyTorch库：
import torch
import torch.nn as nn- 定义真实标签和预测概率：
target = torch.tensor([0, 1, 0]) # 真实标签，0代表负类，1代表正类
output = torch.tensor([0.2, 0.8, 0.3]) # 预测概率，范围在0到1之间- 创建二元交叉熵损失函数：
criterion = nn.BCELoss()- 计算交叉熵损失：
loss = criterion(output, target.float())注意，需要将真实标签转换为浮点型（float），因为交叉熵损失函数的输入要求是浮点型。
交叉熵损失的计算结果将作为一个标量（scalar）返回，可以通过loss.item()获取其数值。
PyTorch中的二分类交叉熵损失函数的优势在于其简单易用，并且可以与其他PyTorch函数和模块无缝集成，如模型定义、优化器等。
对于云计算领域，腾讯云提供了多种与PyTorch相关的产品和服务，例如：
- 腾讯云AI引擎：提供了强大的AI模型训练和部署能力，支持PyTorch等主流深度学习框架。
- 腾讯云GPU服务器：提供了高性能的GPU服务器实例，适用于深度学习任务的加速。
- 腾讯云对象存储COS：提供了可靠、安全、低成本的对象存储服务，适用于存储训练数据和模型参数。
以上是关于PyTorch中二分类交叉熵损失的计算方法以及腾讯云相关产品的介绍。
相关·内容
我使用的是本教程中预先训练好的模型。https://pytorch.org/tutorials/intermediate/torchvision_tutorial.html#defining-your-model 该模型是pytorch的更快的RCNN 50fpn模型。有人知道分类损失、损失和客观性损失函数是什么吗(即交叉熵或？)。提前谢谢你，Sriram A。
浏览 56提问于2021-07-30得票数 0
1回答
我无法在pytorch中对多标签分类使用损失函数这是我的损失函数：
def loss(self,pred,y_true):
pred = torch.tensor(pred)
y_true = torch.tensor(y_true)
loss = nn.NLLLoss()(torch.log(pred), y_true)
return loss
在试图获得损失时：
model.loss(model(xtrain),ytrain)
它显示一个错误：
RuntimeError: 1D target tensor expected, multi-target
浏览 6提问于2021-09-24得票数 0
1回答
我想训练一个多类别的分类器，用Pytorch。
下面的演示了如何在最后一层类型nn.Linear(84, 10)之后使用nn.CrossEntropyLoss()。
然而，我记得这就是Softmax所做的。
这让我很困惑。
如何以最好的方式训练“标准”分类网络？
如果网络有一个最终的线性层，如何推断每个类的概率？
如果网络有最终的softmax层，如何训练网络(哪种损失，以及如何)？
我在Pytorch论坛上找到了，它很可能回答了所有这些问题，但是我无法将它编译成工作的、可读的Pytorch代码。
我的假设答案是：
就像。
线性层输出的指数，这实际上是逻辑(日
浏览 2提问于2020-12-22得票数 3
回答已采纳
3回答
我使用的ResNet18预训练模型，将用于一个简单的二值图像分类任务。但是，包括PyTorch本身在内的所有教程都使用nn.Linear(num_of_features, classes)作为最终的完全连接层。我不明白的是，该模块的激活函数在哪里？另外，如果我想使用sigmoid/softmax，怎么办？
谢谢你提前帮忙，我对毕道士有点陌生。
浏览 7提问于2021-02-16得票数 1
回答已采纳
我正在尝试用SVM替换CNN网络的最后一个完全连接层，在多分类问题中使用pytorch。我做了一些研究，它说，我应该用nn.MultiMarginLoss取代nn.CrossEntropyLoss。 如何改变标准实际上只与“用SVM替换完全连接层”任务相对应？另一件事是，我想使用不同核的SVM，比如二次核。
浏览 51提问于2020-05-29得票数 1
回答已采纳
1回答
交叉熵损失Pytorch
、、、、
我有一个关于我的pytorch网络中交叉熵损失的最佳实现的问题。我正在构建一个网络，用于预测Volume-Pictures的3D分割。我有一个背景类或一个前景类，但它应该也有可能预测两个或更多不同的前景类。
训练时输入到我的网络中的形状是batch_size，input_channels，width，height，depth。输入通道等于1，因为我只有灰度图像，深度取决于组成3D体积的2D图片的数量。
网络的输出是batch_size，#classes，width，height，depth。#classes现在等于2，这两个维度几乎是彼此的倒数，因为我现在只有一个背景类和一个前景类。
现在我想
浏览 2提问于2021-06-08得票数 0
我使用XLM模型创建了二进制(0和1)文本分类脚本。我想把度量(作为二进制交叉熵)，但也提前停止与耐心15。
但我有个问题。我尝试使用path model.compile和model.fit，但是XLM-RotaForSequence分类法没有这些参数。我不想用论证。有可能找到一些解决办法吗？
我已经使用了AdamW。最后，对于每个历次的参数，如回忆、f1、准确性等，都有可能得到。目前我只得到了上一个时代的最后一个数据。
下面我把脚本放在培训过程中：
from transformers import XLMRobertaForSequenceClassification, AdamW, Ber
浏览 7提问于2022-06-06得票数 0
回答已采纳
1回答
我刚刚从一个教程中做了一个MNIST分类器。它有一个层，没有隐藏层。它使用PyTorch的nn.CrossEntropyLoss作为损失函数。在训练结束后，我的损失是从2.25开始，然后下降到0.5。这个数字在口语化的意义上是什么意思？损失0.5是否意味着50%的时间是正确的？
浏览 0提问于2020-03-06得票数 1
回答已采纳
1回答
什么是像素级softmax损失？
、、、、
像素级的softmax损失是多少？在我的理解中，这只是一个交叉熵损失，但我没有找到公式。有人能帮我吗？最好是有pytorch代码。
浏览 1提问于2019-07-25得票数 3
2回答
我正在实现一个CNN图像分类模型，在那里我正在学习损失函数。有几种类型的损失函数来确定错误。然而，如何找出哪个函数适合于图像的多分类模型呢？
浏览 0提问于2019-08-24得票数 5
3回答
理解交叉熵损失
、、、
我看到了许多关于CEL或二进制交叉熵损失的解释，在这个上下文中，基本真理是0或1，然后得到如下函数：
def CrossEntropy(yHat, y):
if yHat == 1:
return -log(y)
else:
return -log(1 - y)
然而，当您的yHat不是离散的0或1时，我对BCE的工作方式感到困惑。例如，如果我想查看MNIST数字的重建损失，其中我的地面真理为0< yHat < 1，而我的预测也在相同的范围内，这将如何改变我的功能？
编辑：
抱歉，让我给出更多的上下文来解释我的困惑。在关于VAE的PyTorc
浏览 0提问于2018-03-25得票数 4
回答已采纳
1回答
如何在自己的图像分类数据集上对抗性地训练googlenet模型？ 例如:使用cleverhans库，有批处理要运行攻击的数据是MNIST和CIFAR。 我用自己的数据(Googlenet)使用Tensorflow训练了一个图像分类器，现在我想用对抗性的例子来训练模型。我可以用cleverhans库做的任何想法。谢谢。
浏览 15提问于2019-03-18得票数 0
回答已采纳
我正在尝试在keras中模仿pytorch神经网络。 我确信我的keras版本的神经网络与pytorch中的非常接近，但在训练过程中，我看到pytorch网络的损失值比keras网络的损失值要低得多。我想知道这是不是因为我没有正确复制keras中的pytorch网络，或者两个框架中的损失计算是不同的。 Pytorch损失定义： loss_function = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=args.lr, momentum=0.9, weight_decay=5e-4) Keras损失定义：
浏览 555提问于2020-04-26得票数 3
回答已采纳
我使用Bi分类器进行多标签文本分类，这意味着11个类的数据集中有超过一个标签的实例。当我使用乙状结肠激活函数和"binary_crossentropy“损失函数时，比使用"categorical_crossentropy”损失函数的"softmax“激活函数具有更高的精度。为什么？
浏览 0提问于2022-02-14得票数 0
3回答
一种多标签分类模型的评价
、、、、
我目前有一个多标签的分类问题，我正在使用keras构建一个神经网络，如下所示：
n_cols = dataset.shape[1]
print(n_cols)
model = Sequential()
model.add(Dense(128, activation='relu', input_shape=(n_cols,)))
model.add(Dense(64, activation='relu'))
model.add(Dense(26, activation='sigmoid')) # Sigmoid for multi-label c
浏览 0提问于2020-07-16得票数 0
回答已采纳
我对Pytorch中交叉熵的计算感到困惑。如果我想计算两个张量和目标张量之间的交叉熵不是一个热标签，我应该使用哪一个损失？计算两个概率分布之间的交叉熵，而不是预测结果和一个确定的单热标号是很常见的。
基本损失函数CrossEntropyLoss强制目标作为索引整数，在这种情况下它是不合格的。BCELoss看起来很有效，但它带来了一个意想不到的结果。计算交叉熵的期望公式是
但是BCELoss计算每个维度的BCE，表示为
-yi*log(pi)-(1-yi)*log(1-pi)
与第一个方程相比，不应涉及术语-(1-yi)*log(1-pi)。下面是一个使用BCELoss的例子，我们可以
浏览 11提问于2021-08-01得票数 2
回答已采纳
我最近注意到，我可以拥有并使用Tensorflow模型，该模型具有任意数量的输出，即使预测值只是一个真实值。例如，我可以有16个输出的模型，只有一个真正的目标值，然而，模型仍然没有错误的正常训练。
我的问题是，在比较输出和目标值时，Tensorflow如何处理输出的不正确大小。怎样才能计算损失呢？它是试图使每个输出尽可能接近目标值，还是做某种平均？
浏览 7提问于2021-12-16得票数 1
我正在研究一个文本分类问题(例如情感分析)，在这个问题上，我需要将文本字符串分类为五个类中的一个。
我刚开始使用包和PyTorch的BERT。我需要的是一个分类器，在顶部有一个softmax层，这样我就可以进行5路分类。令人困惑的是，变压器包中似乎有两个相关的选项：和。
我应该用哪一个来完成我的5路分类任务？它们的适当用例是什么？
BertForSequenceClassification的文档根本没有提到softmax，尽管它确实提到了交叉熵。我不确定这类是否只适用于2类分类(即logistic回归)。
具有顺序分类/回归头的Bert模型转换器顶部(集合输出顶部的线性层)，例如用于胶水任务
浏览 5提问于2020-03-10得票数 17
回答已采纳
1回答
如果您的分类和回归问题是相关的，并且依赖于相同的输入数据，那么是否有可能成功地构建一个同时给出分类和回归输出的神经网络？
如果是这样，如何构造损失函数？
浏览 2提问于2016-05-24得票数 15
回答已采纳
1回答
对于标题中的问题的答案是非常明显的，因为它通常被称为"ArcFace丢失“。
然而，有一部分让我感到困惑：
我正在阅读Arcface的以下Keras实现：
在其中，请注意，model.compile行仍然指定loss='categorical_crossentropy'。
此外，我还看到了许多将Softmax称为损失函数的来源，而我以前所理解的是许多分类神经网络输出层的激活函数。
基于这两个混淆点，我目前的理解是，丢失函数，即网络实际上是如何计算给定示例表示“错误程度”的数目的，而不管是交叉熵。ArcFace，和Softmax一样，是输出层的激活函数。
这是对的吗？如
浏览 5提问于2019-12-17得票数 2
我对Pytorch的分类交叉熵损失的计算有疑问。我制作了这个简单的代码片段，因为我使用输出张量的argmax作为目标，所以我不能理解为什么损失仍然很高。
import torch
import torch.nn as nn
ce_loss = nn.CrossEntropyLoss()
output = torch.randn(3, 5, requires_grad=True)
targets = torch.argmax(output, dim=1)
loss = ce_loss(outputs, targets)
print(loss)
谢谢你帮我理解它。向杰罗姆致以最好的问候
浏览 26提问于2019-11-19得票数 1
回答已采纳
正如提到的，对于多标签分类，交叉熵不是一个合适的损失函数。我的问题是“这一事实是否也适用于softmax的交叉熵？”如果是，它如何与文档的匹配。
我应该提一下，我的问题的范围是cntk。
浏览 20提问于2017-01-17得票数 5
回答已采纳
给出了一个使用softmax分类器的分类器，对于我们模型正确分类的数据点a，是否有可能比被我们的模型错误分类的数据点b有更高的损失？如果是，请举一个例子。如果没有，请证明。
================================================================
更新:我忘了提到考虑交叉熵损失。
浏览 0提问于2021-04-06得票数 0
回答已采纳
我正在对我的数据集进行微调，它有多个标签。
我想将分类层的“分数”转换为概率，并使用这些概率来计算训练时的损失。
你能给出一个这样的示例代码吗？我可以这样使用吗：
P = net.forward(x)
p = torch.nn.functional.softmax(P, dim=1)
loss = torch.nn.functional.cross_entropy(P, y)
我不清楚这是不是正确的方法，因为我将概率作为交叉损失的输入。
浏览 160提问于2018-07-12得票数 4
回答已采纳
4回答
我试图用LSTM解决一个简单的二进制分类问题。我正在努力找出正确的网络损失函数。问题是，当我使用二元交叉熵作为损失函数时，训练和测试的损失值要比使用均方误差(MSE)函数要高。
在研究中，我发现了二元交叉熵用于分类问题，MSE用于回归问题的理由。然而，在我的情况下，我得到了更好的准确性和较小的损失值与MSE的二进制分类。
我不知道如何证明这些结果是合理的。为什么不使用均方误差来解决分类问题呢？
浏览 0提问于2019-05-06得票数 11
回答已采纳
我刚接触Pytorch，所以我试着通过创建简单的狗与猫的分类来学习它。代码：
class DogCatClassifier(nn.Module):
def __init__(self):
super().__init__()
self.conv1 = nn.Conv2d(1, 32, 5)
self.conv2 = nn.Conv2d(32, 64, 5)
self.conv3 = nn.Conv2d(64, 128, 5)
self.fc1 = nn.Linear(512, 256)
s
浏览 0提问于2020-04-14得票数 0
我正在训练一个多标签分类模型来检测衣服的属性。我在Keras中使用迁移学习，重新训练vgg-19模型的最后几层。
属性的总数是1000，其中大约99%是0。准确率、精确度、召回率等指标都失败了，因为模型可以预测全零，但仍然可以获得非常高的分数。二进制交叉熵、汉明损失等在损失函数的情况下不起作用。
我使用的是深度时尚数据集。
那么，我可以使用哪些指标和损失函数来正确地测量我的模型呢？
浏览 1提问于2019-12-15得票数 12
我刚刚读过这个，它解释了二元交叉熵和分类交叉熵之间的区别，特别是，我对这张图片有一个疑问：
作者讨论了一个多标签的情况，你的目标(或地面真相)标签是一个热编码，但如果你的目标标签不是一个热编码，你会使用什么损失功能？例如，如果只有一半的熊猫在图像中，然后我将图像标记为1，0，0.5，那么在这种情况下，我还会使用二进制交叉熵吗？在目标向量不是二进制的情况下，数学是如何计算的？
浏览 4提问于2020-08-05得票数 1
我实现了一个简单的cnn网络的图像分类(二进制分类)。我在Python中使用tensorflow。我使用tf.softmax_cross_entropy_with逻辑作为成本函数。我从我的模型的输出层用未规范化的逻辑输入成本函数。函数应该输出规范化概率，还是我错了？
在培训我的模型，我是印刷成本的每一个例子。如果模型正确地预测了输出，则成本等于0.0，否则成本非常大，非规范化值)。在计算交叉熵前输入函数'softmaxes‘时，为什么输出是不归一化的？
浏览 0提问于2017-06-09得票数 0
回答已采纳
我正在构建一个CNN来进行二进制分类(1或0)。为此，我使用了成本函数sigmoid_cross_entropy_with_logits。
但出于某种原因，即使预测值等于正确的值，使用此函数的成本也永远不会等于零。
我试着用TensorFlow网站上的公式来绘制输出：https://www.tensorflow.org/api_docs/python/tf/nn/sigmoid_交叉_熵_使用_逻辑
这个公式：
max(x, 0) - x * z + log(1 + exp(-abs(x)))
通过绘制这个图，我意识到，当输出相等时，它真的不是零。例如，如果z=0和x= 0，则此函数的结果是~
浏览 0提问于2018-08-16得票数 0
5回答
我试图一步一步地理解Keras和LSTM。现在，我构建了一个LSTM，输入是一个句子，输出是一个由五个值组成的数组，每个值可以是0或1。
示例:输入句子：‘我讨厌cookie’输出示例: 0,0,1,0,1
为此，我使用了keras库。
现在我不确定我应该使用哪种丢失函数。现在，我只知道两个预定义的损失函数稍微好一点，这两个函数似乎都不适合我的例子：
二进制交叉熵:好的，如果我的输出只有0或1，分类交叉熵:好的，如果我有一个数组的输出，其中1和所有其他值为0。
对于我的例子来说，这两个函数都没有任何意义。你会用什么?为什么？
编辑
另一个问题:您会在Keras中使用哪种激活功能？
浏览 0提问于2019-02-23得票数 1
回答已采纳
1回答
我是微调GPT-2模型的语言生成任务使用拥抱面对变形金刚库-毕火炬，我需要计算一个评估分数(困惑)的微调模型。但我不知道如何利用损失来做到这一点。我想知道如何计算模型的困惑与sum_loss或平均损失或任何其他建议也是欢迎的。任何帮助都是徒劳无功。
编辑：
outputs = model(article_tens, labels=article_tens)
loss, prediction_scores = outputs[:2]
loss.backward()
sum_loss = sum_lo
浏览 0提问于2020-05-24得票数 3
回答已采纳
我知道PyTorch的LogSoftmax函数基本上只是一种更稳定的计算Log(Softmax(x))的方法。Softmax允许您将线性层的输出转换为分类概率分布。 pytorch documentation表示，CrossEntropyLoss将nn.LogSoftmax()和nn.NLLLoss()组合在一个类中。 查看NLLLoss，我仍然在使用2个日志吗?I‘s confused...Are there being？我认为负日志是事件的信息内容。(与entropy相同 经过更多的研究，我认为NLLLoss假设您实际上传递的是对数概率，而不仅仅是概率。这是正确的吗？如果是这样的话就有点
浏览 26提问于2020-12-08得票数 9
回答已采纳
我已经建立了一个CNN在火把分类时尚-MNIST数据集(10个类别)。图像为28x28。
我在我的模型中构建了最后一层，输出为50。(即nn.Linear(100, 50))。另外，我使用的是交叉熵损失。
我对如何计算这些数据大小的损失感到困惑。根据我对反向传播和损失函数的了解，将神经网络的输出与预期的结果进行了比较。
例如，使用均方误差，损失函数为(output - expected)^2。因此，如果我有一个二进制分类器，假设类标签是({0,1})，那么神经网络的输出就需要一维来计算损失。
如果我有三门课，你怎么计算损失？你需要多少输出？由于预期的类标签仍然只是一位数，如果神经网络的输出超过
浏览 0提问于2019-12-05得票数 0
回答已采纳
1回答
我正在构建一个二进制分类，其中我想要预测的类只出现在<2%的时间。我用的是火把
最后一层可能是logosftmax或softmax。
self.softmax = nn.Softmax(dim=1)或self.softmax = nn.LogSoftmax(dim=1)
我的问题
我应该使用softmax，因为它将提供总结为1的输出，并且我可以检查各种prob阈值的性能。这样理解正确吗？
如果我使用softmax，那么我可以使用cross_entropy loss吗？这似乎认为使用它是可以的。
如果我使用logsoftmax，那么我可以使用cross_entropy loss吗？这似乎建
浏览 0提问于2022-03-03得票数 0
回答已采纳
例如，如果我想解决MNIST分类问题，我们有10个输出类。在PyTorch中，我想使用torch.nn.CrossEntropyLoss函数。我是否必须格式化目标以便它们是一次性编码的，或者我可以简单地使用数据集附带的它们的类标签？
浏览 839提问于2020-06-19得票数 10
回答已采纳
我在penn treebank上实现了语言模型训练。
我为每个时间步添加损失，然后计算困惑。
这给了我几千亿的莫名其妙的困惑，即使在训练了一段时间之后。
损失本身减少了，但最多只能减少到20左右。(我需要一位数的数字来表示损失，以获得合理的困惑)。
这让我怀疑我的困惑计算是否被误导了。
它是否应该基于每个时间步的损失，然后进行平均，而不是将它们全部相加？
我的batch_size是20，num_steps是35。
def perplexity(loss):
perplexity = np.exp(loss)
return perplexity
...
loss = 0
x =
浏览 41提问于2017-12-29得票数 9
回答已采纳
1回答
在处理神经网络输出时，我发现了两种将输出表示为神经网络的不同方法：
使用一个值不同的列作为不同的分类：
1 // class A
10 // class B
10 // class B
1 // class A
1 // class A
作为两个不同的阶级
使用2列作为不同的分类
1 0 // class A
1 0 // class A
0 1 // class B
1 0 // class A
0 1 // class B
如果我错了，请纠正我，或者告诉我
浏览 0提问于2017-04-24得票数 -1
我正在和Bert一起做一个多标签文本分类任务。
下面是生成可迭代数据集的代码。
from torch.utils.data import TensorDataset, DataLoader, RandomSampler, SequentialSampler
train_set = TensorDataset(X_train_id,X_train_attention, y_train)
test_set = TensorDataset(X_test_id,X_test_attention,y_test)
train_dataloader = DataLoader(
train_set
浏览 3提问于2020-10-03得票数 0
1回答
我的预测是y_hat = [ 0.57,0.05,0.14,0.10,0.14]，目标是target =[ 1, 0, 0, 0, 0 ]。
我需要计算交叉熵损失的NumPy和火炬损失函数。
使用NumPy，我的公式是-np.sum(target*np.log(y_hat))，我得到了0.5621189181535413
然而，使用Pytorch：
loss = nn.CrossEntropyLoss()
output = torch.FloatTensor([0.57,0.05,0.14,0.10,0.14])
label = torch.FloatTensor([1,0,0,0,0])
l
浏览 3提问于2022-10-18得票数 2
我试图在PyTorch中运行这个程序，这是自定义的：
class NeuralNetwork(nn.Module):
def __init__(self):
super(NeuralNetwork, self).__init__()
self.flatten = nn.Flatten(start_dim=1)
self.linear_relu_stack = nn.Sequential(
nn.Linear(2142, 51),
nn.ReLU(),
nn.Linea
浏览 2提问于2021-09-24得票数 0
回答已采纳
1回答
我很难知道什么是神经网络的损失函数。对于二进制分类问题，它是均方误差，如下面的视频所描述的：还是像这里定义的交叉熵，和为什么？
此外，在多重分类的情况下，我认为有类似softmax的东西，但我不知道它是如何工作的。有人能给我解释清楚吗？
谢谢！
浏览 1提问于2017-09-08得票数 1
回答已采纳
1回答
我在最后一层使用tf.losses.sparse_softmax_cross_entropy作为分类函数来训练我的网络，一切都很好。
我现在只是在我的权重上添加了一个L2正则化，我的损失不再得到优化。可能会发生什么？
reg = tf.nn.l2_loss(w1) + tf.nn.l2_loss(w2)
loss = tf.reduce_mean(tf.losses.sparse_softmax_cross_entropy(y, logits)) + reg*beta
train_step = tf.train.GradientDescentOptimizer(learning_rate).m
浏览 0提问于2018-06-21得票数 0
1回答
我知道交叉熵/互信息在分类决策中是如何作为损失函数工作的。但我不知道为什么0/1的输球不是一个好的选择。
浏览 1提问于2018-05-12得票数 1
回答已采纳
1回答
我用这个：
Python version: 3.7.7 (default, May 6 2020, 11:45:54) [MSC v.1916 64 bit (AMD64)]
TensorFlow version: 2.1.0
Eager execution: True
使用这个U-Net模型：
inputs = Input(shape=img_shape)
conv1 = Conv2D(64, (5, 5), activation='relu', padding='same', data_format="channels_last"
浏览 1提问于2020-07-07得票数 0
回答已采纳
我有一个Keras模型，用于多类分类问题。我要这么做：
model.compile(
loss='categorical_crossentropy',
optimizer='adam',
metrics=['accuracy'],
)
我现在有大约100个特性，还有大约2000种可能的课程。一个热编码类会导致内存问题。
是否可以在这个Keras模型中使用categorical_crossentropy，而不是对类标签进行一次热编码。例如，与其让目标看起来像：
[0, 0, 0, 1, 0, 0, ...]
只是：
3
我查
浏览 1提问于2018-11-01得票数 6
1回答
我正在阅读关于多类分类问题的Pytorch教程。而我发现，在毕道尔的损失计算行为让我很困惑。你能帮我做这个吗？
用于分类的模型如下：
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(3, 6, 5)
self.pool = nn.MaxPool2d(2, 2)
self.conv2 = nn.Conv2d(6, 16, 5)
self.fc1 = nn.Linear(16
浏览 3提问于2020-06-02得票数 2
回答已采纳
--这是使用PyTorch
我一直试图在我的图像上实现UNet模型，但是，我的模型精度总是精确到0.5。损失确实减少了。
我还检查了班级不平衡的情况。我也试着用学习速度来玩。学习速度影响损失，但不影响准确性。
我下面的建筑(从这里)
""" `UNet` class is based on https://arxiv.org/abs/1505.04597
The U-Net is a convolutional encoder-decoder neural network.
Contextual spatial information (from the decodi
浏览 0提问于2020-03-06得票数 0
回答已采纳
所以在我的分类神经网络中，我的最终张量是
a = tensor([[ 546.3831, -796.4016]], grad_fn=<AddmmBackward>)
我将通过调用以下方法来获取程序认为它是哪个类别
a.max(1)
但是，有没有一种方法可以计算出网络对这一决策的置信度？我正在使用它来生成热图类型的东西，其中多个图像的置信度将一起生成热图图像。
浏览 1提问于2021-01-24得票数 0
4回答
概率回归损失函数
、、、、
我试图用神经网络来预测一个概率，但是很难确定哪一个损失函数是最好的。交叉熵是我的第一个想法，但其他资源总是在标签为\{0, 1\}的二进制分类问题中讨论它，但在我的例子中，我有一个实际的概率作为目标。这些选项中的一种显然是最好的，还是它们在极端0/1区域附近的差别很小，它们都是有效的？
假设x是我的模型的最后一层的输出。
交叉熵：
\text{target} * -\log(\text{sigmoid}(x)) + (1 - \text{target}) * -\log(1 - \text{sigmoid}(x))
使用Sigmoid的均方误差：
(\text{sigmoid}(x)
浏览 0提问于2019-02-09得票数 9
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
实时音视频
对象存储
即时通信 IM活动推荐
腾讯云开发者
