torch.nn.functional.cross_entropy

torch.nn.functional.cross_entropy(input, target, weight=None, size_average=None, ignore_index=-100, reduce=None, reduction='mean', label_smoothing=0.0)

計算輸入 logit 和目標之間的交叉熵損失。

詳見 CrossEntropyLoss。

引數

• input (Tensor) – 預測的未歸一化 logit；支援的形狀請參閱下面的“形狀”部分。

• target (Tensor) – 真實類別索引或類別機率；支援的形狀請參閱下面的“形狀”部分。

• weight (Tensor, optional) – 為每個類別手動指定的縮放權重。如果提供，必須是大小為 C 的 Tensor。

• size_average (bool, optional) – 已棄用（請參閱 reduction）。預設情況下，損失會在 batch 中的每個損失元素上平均。注意，對於某些損失，每個樣本有多個元素。如果欄位 size_average 設定為 False，損失則會在每個 minibatch 中求和。當 reduce 為 False 時忽略。預設值：True

• ignore_index (int, optional) – 指定一個會被忽略且不計入輸入梯度的目標值。當 size_average 為 True 時，損失會在未忽略的目標上平均。注意，ignore_index 僅適用於目標包含類別索引的情況。預設值：-100

• reduce (bool, optional) – 已棄用（請參閱 reduction）。預設情況下，損失根據 size_average 在每個 minibatch 的觀測值上平均或求和。當 reduce 為 False 時，改為返回每個 batch 元素的損失，並忽略 size_average。預設值：True

• reduction (str, optional) – 指定應用於輸出的 reduction 型別：'none' | 'mean' | 'sum'。'none'：不應用 reduction，'mean'：輸出的總和將除以輸出中的元素數量，'sum'：輸出將被求和。注意：size_average 和 reduce 正在被棄用，同時，指定這兩個引數中的任何一個都將覆蓋 reduction。預設值：'mean'

• label_smoothing (float, optional) – 一個介於 [0.0, 1.0] 之間的浮點數。指定計算損失時應用的平滑量，其中 0.0 表示不進行平滑。目標變為原始真實標籤和均勻分佈的混合，如 Rethinking the Inception Architecture for Computer Vision 中所述。預設值：$0.0$。

返回型別

Tensor

形狀

• 輸入：形狀 $(C)$, $(N, C)$ 或 $(N, C, d_1, d_2, ..., d_K)$，對於 K 維損失，其中 $K \geq 1$。

• 目標：如果包含類別索引，形狀為 $()$, $(N)$ 或 $(N, d_1, d_2, ..., d_K)$，對於 K 維損失，其中 $K \geq 1$ 且每個值應在 $[0, C)$ 之間。如果包含類別機率，則形狀與輸入相同，且每個值應在 $[0, 1]$ 之間。

其中

$$\begin{aligned} C ={} & \text{number of classes} \\ N ={} & \text{batch size} \\ \end{aligned}$$

示例

>>> # Example of target with class indices
>>> input = torch.randn(3, 5, requires_grad=True)
>>> target = torch.randint(5, (3,), dtype=torch.int64)
>>> loss = F.cross_entropy(input, target)
>>> loss.backward()
>>>
>>> # Example of target with class probabilities
>>> input = torch.randn(3, 5, requires_grad=True)
>>> target = torch.randn(3, 5).softmax(dim=1)
>>> loss = F.cross_entropy(input, target)
>>> loss.backward()