溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
小編給大家分享一下Pytorch損失函數nn.NLLLoss2d()用法是什么，希望大家閱讀完這篇文章后大所收獲，下面讓我們一起去探討吧！
最近做顯著星檢測用到了NLL損失函數
對于NLL函數，需要自己計算log和softmax的概率值，然后從才能作為輸入
輸入 [batch_size, channel , h, w]
目標 [batch_size, h, w]
輸入的目標矩陣，每個像素必須是類型.舉個例子。第一個像素是0，代表著類別屬于輸入的第1個通道；第二個像素是0，代表著類別屬于輸入的第0個通道，以此類推。
x = Variable(torch.Tensor([[[1, 2, 1],
[2, 2, 1],
[0, 1, 1]],
[[0, 1, 3],
[2, 3, 1],
[0, 0, 1]]]))
x = x.view([1, 2, 3, 3])
print("x輸入", x)這里輸入x，并改成[batch_size, channel , h, w]的格式。
soft = nn.Softmax(dim=1)
log_soft = nn.LogSoftmax(dim=1)
然后使用softmax函數計算每個類別的概率，這里dim=1表示從在1維度
上計算，也就是channel維度。logsoftmax是計算完softmax后在計算log值
手動計算舉個栗子：第一個元素
y = Variable(torch.LongTensor([[1, 0, 1],
[0, 0, 1],
[1, 1, 1]]))
y = y.view([1, 3, 3])輸入label y，改變成[batch_size, h, w]格式
loss = nn.NLLLoss2d() out = loss(x, y) print(out)
輸入函數，得到loss=0.7947
來手動計算
第一個label=1，則 loss=-1.3133
第二個label=0， 則loss=-0.3133
. … … loss= -(-1.3133-0.3133-0.1269-0.6931-1.3133-0.6931-0.6931-1.3133-0.6931)/9 =0.7947222222222223
是一致的
注意：這個函數會對每個像素做平均，每個batch也會做平均，這里有9個像素，1個batch_size。
補充知識：PyTorch：NLLLoss2d
我就廢話不多說了，大家還是直接看代碼吧~
import torch
import torch.nn as nn
from torch import autograd
import torch.nn.functional as F
inputs_tensor = torch.FloatTensor([
[[2, 4],
[1, 2]],
[[5, 3],
[3, 0]],
[[5, 3],
[5, 2]],
[[4, 2],
[3, 2]],
])
inputs_tensor = torch.unsqueeze(inputs_tensor,0)
# inputs_tensor = torch.unsqueeze(inputs_tensor,1)
print '--input size(nBatch x nClasses x height x width): ', inputs_tensor.shape
targets_tensor = torch.LongTensor([
[0, 2],
[2, 3]
])
targets_tensor = torch.unsqueeze(targets_tensor,0)
print '--target size(nBatch x height x width): ', targets_tensor.shape
inputs_variable = autograd.Variable(inputs_tensor, requires_grad=True)
inputs_variable = F.log_softmax(inputs_variable)
targets_variable = autograd.Variable(targets_tensor)
loss = nn.NLLLoss2d()
output = loss(inputs_variable, targets_variable)
print '--NLLLoss2d: {}'.format(output)看完了這篇文章，相信你對Pytorch損失函數nn.NLLLoss2d()用法是什么有了一定的了解，想了解更多相關知識，歡迎關注億速云行業資訊頻道，感謝各位的閱讀！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
