关于二分类,多分类,及多标签分类的损失函数详解及Pytorch实现
相信很多小伙伴最开始都是从分类任务入手深度学习这个领域的吧,这个就类似学习代码的第一课,“Hello world”一样。深度学习中,除了模型设计之外,最重要的想必就是选取合适的损失函数了。不过一般实验中,损失函数的调用十分简单,也就是一行代码的事情,但是最近发现,好多小伙伴,对于损失函数的基础意义及实现细节,还是不甚了解,所以在此对分类任务中常用的交叉熵损失函数进行详细的介绍。
1. 事件发生的概率与信息量和信息熵
损失函数的目标就是想通过计算网络输出与实际标签之间的差异,然后通过反向传播更新网络的权重,使得输出越来越接近实际标签值。对于分类任务来说,网络输出的结果就是预测每一个类别的概率值,接着就是如何设计损失函数,使得标签为正的类别的概率值越高。对于优化问题,我们需要设计目标函数存在一个下界,在优化过程当中,如果优化算法能够使目标函数不断减小,根据单调有界准则,这个优化算法就能证明是收敛有效的。这时候信息量的概念就引进来了,信息量的基本想法是:一个不太可能发生的事件居然发生了,我们收到的信息要多于一个非常可能发生的事件发生。从这句话中,我们可以看出,事件包含的信息量应与其发生的概率负相关。所以现在目标就是如何最小化我们的信息量,使得对应的概率也就可以变得越大。
2. 相对熵(KL散度)
3. 交叉熵
关于信息量,与信息熵,相对熵以及交叉熵的具体解释和定义,可以参考这篇博文交叉熵损失函数(Cross Entropy Loss),讲解的十分详细。
4. 交叉熵损失函数
刚刚说到,交叉熵是信息论中的一个概念,它与事件的概率分布密切相关,这也就是为什么神经网络在使用交叉熵损失函数时会先使用函数或者
函数将网络的输出转换为概率值。
4.1 多分类
每个样本只能有一个标签,比如ImageNet图像分类任务,或者MNIST手写数字识别数据集,每张图片只能有一个固定的标签。
对单个样本,假设真实分布为,网络输出分布为
,总的类别数为
,则在这种情况下,交叉熵损失函数的计算方法如下所示,我们可以看出,实际上也就是计算了标签类别为1的交叉熵的值,使得对应的信息量越来越小,相应的概率也就越来越大了。
具体的Pytorch实现,如下所示,该函数,同时包含了softmax计算概率,以及后续计算交叉熵的两个步骤:
loss = nn.CrossEntropyLoss()
4.2 多标签分类
多标签分类任务,即一个样本可以有多个标签,比如一张图片中同时含有“猫”和“狗”,这张图片就同时拥有属于“猫”和“狗”的两种标签。在这种情况下,我们将函数作为网络最后一层的输出,得出每个类别预测为1的概率。以图像识别任务为例,网络最后一层的输出应该理解为:网络认为图片中含有这一类别物体的概率。而每一类的真实标签都只有两种可能值,即“图片中含有这一类物体”和“图片中不含有这一类物体”,这是一个二项分布。综上所述,对多标签类任务中的每一类单独分析的话,真实分布是一个二项分布,可能的取值为0或者1,而网络预测的分布可以理解为标签是1的概率。此外,由于多标签分类任务中,每一类是相互独立的,所以网络最后一层神经元输出的概率值之和并不等于1。对多标签分类任务中的一类任务来看,交叉熵损失函数为:
具体的Pytorch实现,如下所示,该函数,同时包含了sigmoid计算概率,以及后续计算交叉熵的两个步骤:
loss = nn.BCELoss()
4.3 二分类
对于二分类,既可以选择多分类的方式,也可以选择多标签分类的方式进行计算,结果差别也不会太大。
关于二分类,多分类,及多标签分类的损失函数详解及Pytorch实现相关推荐
- 标称变量(Categorical Features)或者分类变量(Categorical Features)缺失值填补、详解及实战
标称变量(Categorical Features)或者分类变量(Categorical Features)缺失值填补.详解及实战 核心学习函数或者方法: KNeighborsClassifier() ...
- Android vector标签 PathData 画图超详解
此文章来源于https://www.cnblogs.com/yuhanghzsd/p/5466846.html点击打开链接 Android vector标签 PathData 画图超详解 SVG是一种 ...
- 【input 标签的 type 属性详解】
input 标签的 type 属性详解 1. input 输入标签的 type 属性 1.1 input 标签的 type类型 属性的常用属性值 ⑴ 单行文本框: type="text&qu ...
- pandas dataframe缺失值(np.nan)处理:识别缺失情况、删除、0值填补、均值填补、中位数填补、加缺失标签、插值填充详解及实例
pandas dataframe缺失值(np.nan)处理:识别缺失情况.删除.0值填补.均值填补.中位数填补.加缺失标签.插值填充详解及实例 isnull().natna().isna().fill ...
- select标签操作 select2使用详解
select标签操作 select2使用详解 官网: https://select2.github.io/examples.html 引用: <link href="~/Scripts ...
- html5中preload是什么意思,html的video标签的preload属性详解
--------------------------------------------------------- Ta 只分享的内容开始 ------------------------------ ...
- WordPress标签云小工具详解
WordPress标签云小工具是WordPress程序自带的一个小工具,它可以在我们的博客侧边栏展示网站的标签列表.今天WordPress小工具详解系列就从WordPress标签云小工具开始.带大家熟 ...
- qchart折现图_Qt开发技术:QCharts(二)QCharts折线图介绍、Demo以及代码详解
若该文为原创文章,未经允许不得转载 各位读者,知识无穷而人力有穷,要么改需求,要么找专业人士,要么自己研究 敬请期待- 红胖子,来也! 介绍了整体框架,开始动手码代码,按照顺序,从折线图开始. QCh ...
- jmeter 控制偏离_Jmeter(二十) - 从入门到精通 - JMeter监听器 -下篇(详解教程)
1.简介 监听器用来监听及显示JMeter取样器测试结果,能够以树.表及图形形式显示测试结果,也可以以文件方式保存测试结果,JMeter测试结果文件格式多样,比如XML格式.CSV格式.默认情况下,测 ...
最新文章
- 如何高效快速搞散一个团队?
- mysql外键约束脚本_如何在MySQL中设置外键约束
- Spring Annotation Processing: How It Works--转
- sql distinct 去重复 (mysql)
- Java面试题目,java工程师成神之路
- drf 解析器的配置和使用
- Nginx编译-安装-配置-优化实践总结
- python:函数的参数传递方法演示
- Tony的口胡呼呼(。-ω-)zzz
- JavaScript梗图详解
- IDC BGP 选型、出海线路
- 明翰英语教学系列之雅思口语篇V0.2(持续更新)
- 用 Python 实现黑客帝国中的数字雨落既视感
- 火车,飞机 查询接口
- Deepin系统Beyond Compare下载安装以及无法使用解决办法
- h5应用数据加密_H5+应用打包JS没有加密混淆
- mermaid流程图工具_基于 Mermaid 的时序图、流程图和甘特图
- Java基础——面向对象(中级)
- Revi+Geometry属性的参数
- HTML最基本的页面