PyTorch/[PyTorch 学习笔记] 4.2 损失函数

PyTorch/[PyTorch 学习笔记] 4.2 损失函数

本章代码:

这篇文章主要介绍了损失函数的概念,以及 PyTorch 中提供的常用损失函数。

损失函数

损失函数是衡量模型输出与真实标签之间的差异。我们还经常听到代价函数和目标函数,它们之间差异如下:

  • 损失函数(Loss Function)是计算一个样本的模型输出与真实标签的差异

    Loss \(=f\left(y^{\wedge}, y\right)\)

  • 代价函数(Cost Function)是计算整个样本集的模型输出与真实标签的差异,是所有样本损失函数的平均值

    \(\cos t=\frac{1}{N} \sum_{i}^{N} f\left(y_{i}^{\wedge}, y_{i}\right)\)

  • 目标函数(Objective Function)就是代价函数加上正则项

在 PyTorch 中的损失函数也是继承于nn.Module,所以损失函数也可以看作网络层。

在逻辑回归的实验中,我使用了交叉熵损失函数loss_fn = nn.BCELoss()\(BCELoss\)的继承关系:nn.BCELoss() -> _WeightedLoss -> _Loss -> Module。在计算具体的损失时loss = loss_fn(y_pred.squeeze(), train_y),这里实际上在 Loss 中进行一次前向传播,最终调用BCELoss()forward()函数F.binary_cross_entropy(input, target, weight=self.weight, reduction=self.reduction)

下面介绍 PyTorch 提供的损失函数。注意在所有的损失函数中,size_averagereduce参数都不再使用。

nn.CrossEntropyLoss

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34

功能:把`nn.LogSoftmax()`和`nn.NLLLoss()`结合,计算交叉熵。`nn.LogSoftmax()`的作用是把输出值归一化到了 [0,1] 之间。

主要参数:

- weight:各类别的 loss 设置权值
- ignore_index:忽略某个类别的 loss 计算
- reduction:计算模式,可以为 none(逐个元素计算),sum(所有元素求和,返回标量),mean(加权平均,返回标量)

下面介绍熵的一些基本概念

- 自信息:$\mathrm{I}(x)=-\log [p(x)]$

- 信息熵就是求自信息的期望:$\mathrm{H}(\mathrm{P})=E_{x \sim p}[I(x)]=-\sum_{i}^{N} P\left(x_{i}\right) \log P\left(x_{i}\right)$

- 相对熵,也被称为 KL 散度,用于衡量两个分布的相似性(距离):$\boldsymbol{D}_{K L}(\boldsymbol{P}, \boldsymbol{Q})=\boldsymbol{E}_{\boldsymbol{x} \sim p}\left[\log \frac{\boldsymbol{P}(\boldsymbol{x})}{Q(\boldsymbol{x})}\right]$。其中$P(X)$是真实分布,$Q(X)$是拟合的分布

- 交叉熵:$\mathrm{H}(\boldsymbol{P}, \boldsymbol{Q})=-\sum_{i=1}^{N} \boldsymbol{P}\left(\boldsymbol{x}_{i}\right) \log \boldsymbol{Q}\left(\boldsymbol{x}_{i}\right)$

相对熵展开可得:

$\begin{aligned} \boldsymbol{D}_{K L}(\boldsymbol{P}, \boldsymbol{Q}) &=\boldsymbol{E}_{\boldsymbol{x} \sim p}\left[\log \frac{P(x)}{Q(\boldsymbol{x})}\right] \\ &=\boldsymbol{E}_{\boldsymbol{x} \sim p}[\log P(\boldsymbol{x})-\log Q(\boldsymbol{x})] \\ &=\sum_{i=1}^{N} P\left(x_{i}\right)\left[\log P\left(\boldsymbol{x}_{i}\right)-\log Q\left(\boldsymbol{x}_{i}\right)\right] \\ &=\sum_{i=1}^{N} P\left(\boldsymbol{x}_{i}\right) \log P\left(\boldsymbol{x}_{i}\right)-\sum_{i=1}^{N} P\left(\boldsymbol{x}_{i}\right) \log \boldsymbol{Q}\left(\boldsymbol{x}_{i}\right) \\ &= H(P,Q) -H(P) \end{aligned}$

所以交叉熵 = 信息熵 + 相对熵,即$\mathrm{H}(\boldsymbol{P}, \boldsymbol{Q})=\boldsymbol{D}_{K \boldsymbol{L}}(\boldsymbol{P}, \boldsymbol{Q})+\mathrm{H}(\boldsymbol{P})$,又由于信息熵$H(P)$是固定的,因此优化交叉熵$H(P,Q)$等价于优化相对熵$D_{KL}(P,Q)$。

所以对于**每一个样本**的 Loss 计算公式为:

$\mathrm{H}(\boldsymbol{P}, \boldsymbol{Q})=-\sum_{i=1}^{N} \boldsymbol{P}\left(\boldsymbol{x}_{\boldsymbol{i}}\right) \log Q\left(\boldsymbol{x}_{\boldsymbol{i}}\right) = logQ(x_{i})$,因为$N=1$,$P(x_{i})=1$。

所以$\operatorname{loss}(x, \text { class })=-\log \left(\frac{\exp (x[\text { class }])}{\sum_{j} \exp (x[j])}\right)=-x[\text { class }]+\log \left(\sum_{j} \exp (x[j])\right)$。

如果了类别的权重,则$\operatorname{loss}(x, \text { class })=\operatorname{weight}[\text { class }]\left(-x[\text { class }]+\log \left(\sum_{j} \exp (x[j])\right)\right)$。

下面设有 3 个样本做 2 分类。inputs 的形状为 $3 \times 2$,表示每个样本有两个神经元输出两个分类。target 的形状为 $3 \times 1$,注意类别从 0 开始,类型为`torch.long`。

import torch import torch.nn as nn import torch.nn.functional as F import numpy as np

fake data

inputs = torch.tensor([[1, 2], [1, 3], [1, 3]], dtype=torch.float) target = torch.tensor([0, 1, 1], dtype=torch.long)

def loss function

loss_f_none = nn.CrossEntropyLoss(weight=None, reduction='none') loss_f_sum = nn.CrossEntropyLoss(weight=None, reduction='sum') loss_f_mean = nn.CrossEntropyLoss(weight=None, reduction='mean')

forward

loss_none = loss_f_none(inputs, target) loss_sum = loss_f_sum(inputs, target) loss_mean = loss_f_mean(inputs, target)

view

print("Cross Entropy Loss:", loss_none, loss_sum, loss_mean)

1
2

输出为:
Cross Entropy Loss: tensor([1.3133, 0.1269, 0.1269]) tensor(1.5671) tensor(0.5224)
1
2

我们根据单个样本的 loss 计算公式$\operatorname{loss}(x, \text { class })=-\log \left(\frac{\exp (x[\text { class }])}{\sum_{j} \exp (x[j])}\right)=-x[\text { class }]+\log \left(\sum_{j} \exp (x[j])\right)$,可以使用以下代码来手动计算第一个样本的损失
idx = 0

input_1 = inputs.detach().numpy()[idx] # [1, 2] target_1 = target.numpy()[idx] # [0]

第一项

x_class = input_1[target_1]

第二项

sigma_exp_x = np.sum(list(map(np.exp, input_1))) log_sigma_exp_x = np.log(sigma_exp_x)

输出loss

loss_1 = -x_class + log_sigma_exp_x

print("第一个样本loss为: ", loss_1)

1
2
3
4
5
6

结果为:1.3132617

下面继续看带有类别权重的损失计算,首先设置类别的权重向量`weights = torch.tensor([1, 2], dtype=torch.float)`,向量的元素个数等于类别的数量,然后在定义损失函数时把`weight`参数传进去。

输出为:
weights: tensor([1., 2.]) tensor([1.3133, 0.2539, 0.2539]) tensor(1.8210) tensor(0.3642)
1
2

权值总和为:$1+2+2=5$,所以加权平均的 loss 为:$1.8210\div5=0.3642$,通过手动计算的方式代码如下:
weights = torch.tensor([1, 2], dtype=torch.float) weights_all = np.sum(list(map(lambda x: weights.numpy()[x], target.numpy()))) # [0, 1, 1] # [1 2 2] mean = 0 loss_f_none = nn.CrossEntropyLoss(reduction='none') loss_none = loss_f_none(inputs, target) loss_sep = loss_none.detach().numpy() for i in range(target.shape[0]):

x_class = target.numpy()[i] tmp = loss_sep[i] * (weights.numpy()[x_class] / weights_all) mean += tmp

print(mean)

1
2
3
4
5
6

结果为 0.3641947731375694



## nn.NLLLoss
nn.NLLLoss(weight=None, size_average=None, ignore_index=-100, reduce=None, reduction='mean')
1
2
3
4
5
6
7
8
9
10
11
12

功能:实现负对数似然函数中的符号功能

主要参数:

- weight:各类别的 loss 权值设置
- ignore_index:忽略某个类别
- reduction:计算模式,,可以为 none(逐个元素计算),sum(所有元素求和,返回标量),mean(加权平均,返回标量)

每个样本的 loss 公式为:$l_{n}=-w_{y_{n}} x_{n, y_{n}}$。还是使用上面的例子,第一个样本的输出为 [1,2],类别为 0,则第一个样本的 loss 为 -1;第一个样本的输出为 [1,3],类别为 1,则第一个样本的 loss 为 -3。

代码如下:
weights = torch.tensor([1, 1], dtype=torch.float)

loss_f_none_w = nn.NLLLoss(weight=weights, reduction='none') loss_f_sum = nn.NLLLoss(weight=weights, reduction='sum') loss_f_mean = nn.NLLLoss(weight=weights, reduction='mean')

forward

loss_none_w = loss_f_none_w(inputs, target) loss_sum = loss_f_sum(inputs, target) loss_mean = loss_f_mean(inputs, target)

view

print(": ", weights) print("NLL Loss", loss_none_w, loss_sum, loss_mean)

1
2

输出如下:
weights: tensor([1., 1.]) NLL Loss tensor([-1., -3., -3.]) tensor(-7.) tensor(-2.3333)
1
2
3
4



## nn.BCELoss
nn.BCELoss(weight=None, size_average=None, reduce=None, reduction='mean')
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

功能:计算二分类的交叉熵。需要注意的是:输出值区间为 [0,1]。

主要参数:

- weight:各类别的 loss 权值设置
- ignore_index:忽略某个类别
- reduction:计算模式,,可以为 none(逐个元素计算),sum(所有元素求和,返回标量),mean(加权平均,返回标量)

计算公式为:$l_{n}=-w_{n}\left[y_{n} \cdot \log x_{n}+\left(1-y_{n}\right) \cdot \log \left(1-x_{n}\right)\right]$

使用这个函数有两个不同的地方:

- 预测的标签需要经过 sigmoid 变换到 [0,1] 之间。
- 真实的标签需要转换为 one hot 向量,类型为`torch.float`。

代码如下:
inputs = torch.tensor([[1, 2], [2, 2], [3, 4], [4, 5]], dtype=torch.float) target = torch.tensor([[1, 0], [1, 0], [0, 1], [0, 1]], dtype=torch.float)

target_bce = target

itarget

inputs = torch.sigmoid(inputs)

weights = torch.tensor([1, 1], dtype=torch.float)

loss_f_none_w = nn.BCELoss(weight=weights, reduction='none') loss_f_sum = nn.BCELoss(weight=weights, reduction='sum') loss_f_mean = nn.BCELoss(weight=weights, reduction='mean')

forward

loss_none_w = loss_f_none_w(inputs, target_bce) loss_sum = loss_f_sum(inputs, target_bce) loss_mean = loss_f_mean(inputs, target_bce)

view

print(": ", weights) print("BCE Loss", loss_none_w, loss_sum, loss_mean)

1
2
3
4



结果为:
BCE Loss tensor([[0.3133, 2.1269], [0.1269, 2.1269], [3.0486, 0.0181], [4.0181, 0.0067]]) tensor(11.7856) tensor(1.4732)
1
2

第一个 loss 为 0,3133,手动计算的代码如下:
x_i = inputs.detach().numpy()[idx, idx] y_i = target.numpy()[idx, idx] #

loss

l_i = -[ y_i * np.log(x_i) + (1-y_i) * np.log(1-y_i) ] # np.log(0) = nan

l_i = -y_i * np.log(x_i) if y_i else -(1-y_i) * np.log(1-x_i)

1
2
3
4



## nn.BCEWithLogitsLoss
nn.BCEWithLogitsLoss(weight=None, size_average=None, reduce=None, reduction='mean', pos_weight=None)
1
2
3
4
5
6
7
8
9
10
11

功能:结合 sigmoid 与二分类交叉熵。需要注意的是,网络最后的输出不用经过 sigmoid 函数。这个 loss 出现的原因是有时网络模型最后一层输出不希望是归一化到 [0,1] 之间,但是在计算 loss 时又需要归一化到 [0,1] 之间。

主要参数:

- weight:各类别的 loss 权值设置
- pos_weight:**设置样本类别对应的神经元的输出的 loss 权值**
- ignore_index:忽略某个类别
- reduction:计算模式,,可以为 none(逐个元素计算),sum(所有元素求和,返回标量),mean(加权平均,返回标量)

代码如下:
inputs = torch.tensor([[1, 2], [2, 2], [3, 4], [4, 5]], dtype=torch.float) target = torch.tensor([[1, 0], [1, 0], [0, 1], [0, 1]], dtype=torch.float)

target_bce = target

itarget

inputs = torch.sigmoid(inputs)

weights = torch.tensor([1], dtype=torch.float) pos_w = torch.tensor([3], dtype=torch.float) # 3

loss_f_none_w = nn.BCEWithLogitsLoss(weight=weights, reduction='none', pos_weight=pos_w) loss_f_sum = nn.BCEWithLogitsLoss(weight=weights, reduction='sum', pos_weight=pos_w) loss_f_mean = nn.BCEWithLogitsLoss(weight=weights, reduction='mean', pos_weight=pos_w)

forward

loss_none_w = loss_f_none_w(inputs, target_bce) loss_sum = loss_f_sum(inputs, target_bce) loss_mean = loss_f_mean(inputs, target_bce)

view

print("_weights: ", pos_w) print(loss_none_w, loss_sum, loss_mean)

1
2

输出为
pos_weights: tensor([3.]) tensor([[0.9398, 2.1269], [0.3808, 2.1269], [3.0486, 0.0544], [4.0181, 0.0201]]) tensor(12.7158) tensor(1.5895)
1
2

与 BCELoss 进行对比
BCE Loss tensor([[0.3133, 2.1269], [0.1269, 2.1269], [3.0486, 0.0181], [4.0181, 0.0067]]) tensor(11.7856) tensor(1.4732)
1
2
3
4
5
6

可以看到,样本类别对应的神经元的输出的 loss 都增加了 3 倍。



## nn.L1Loss
nn.L1Loss(size_average=None, reduce=None, reduction='mean')
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

功能:计算 inputs 与 target 之差的绝对值

主要参数:

- reduction:计算模式,,可以为 none(逐个元素计算),sum(所有元素求和,返回标量),mean(加权平均,返回标量)

公式:$l_{n}=\left|x_{n}-y_{n}\right|$



## nn.MSELoss

功能:计算 inputs 与 target 之差的平方

公式:$l_{n}=\left(x_{n}-y_{n}\right)^{2}$

主要参数:

- reduction:计算模式,,可以为 none(逐个元素计算),sum(所有元素求和,返回标量),mean(加权平均,返回标量)

代码如下:
inputs = torch.ones((2, 2)) target = torch.ones((2, 2)) * 3

loss_f = nn.L1Loss(reduction='none') loss = loss_f(inputs, target)

print("input:{}:{} loss:{}".format(inputs, target, loss))

------------------------------------------------- 6 MSE loss ----------------------------------------------

loss_f_mse = nn.MSELoss(reduction='none') loss_mse = loss_f_mse(inputs, target)

print("MSE loss:{}".format(loss_mse))

1
2

输出如下:
input:tensor([[1., 1.], [1., 1.]]) target:tensor([[3., 3.], [3., 3.]]) L1 loss:tensor([[2., 2.], [2., 2.]]) MSE loss:tensor([[4., 4.], [4., 4.]])
1
2
3
4



## nn.SmoothL1Loss
nn.SmoothL1Loss(size_average=None, reduce=None, reduction='mean')
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

功能:平滑的 L1Loss

公式:$z_{i}=\left\{\begin{array}{ll}0.5\left(x_{i}-y_{i}\right)^{2}, & \text { if }\left|x_{i}-y_{i}\right|<1 \\ \left|x_{i}-y_{i}\right|-0.5, & \text { otherwise }\end{array}\right.$

下图中橙色曲线是 L1Loss,蓝色曲线是 Smooth L1Loss

<div align="center"><img src="https://image.zhangxiann.com/20200701101230.png"/></div><br>
主要参数:

- reduction:计算模式,,可以为 none(逐个元素计算),sum(所有元素求和,返回标量),mean(加权平均,返回标量)



## nn.PoissonNLLLoss
nn.PoissonNLLLoss(log_input=True, full=False, size_average=None, eps=1e-08, reduce=None, reduction='mean')
1
2
3
4
5
6
7
8
9
10
11
12

功能:泊松分布的负对数似然损失函数

主要参数:

- log_input:输入是否为对数形式,决定计算公式
- 当 log_input = True,表示输入数据已经是经过对数运算之后的,loss(input, target) = exp(input) - target * input
- 当 log_input = False,,表示输入数据还没有取对数,loss(input, target) = input - target * log(input+eps)
- full:计算所有 loss,默认为 loss
- eps:修正项,避免 log(input) 为 nan

代码如下:
inputs = torch.randn((2, 2)) target = torch.randn((2, 2))

loss_f = nn.PoissonNLLLoss(log_input=True, full=False, reduction='none') loss = loss_f(inputs, target) print("input:{}:{}NLL loss:{}".format(inputs, target, loss))

1
2

输出如下:
input:tensor([[0.6614, 0.2669], [0.0617, 0.6213]]) target:tensor([[-0.4519, -0.1661], [-1.5228, 0.3817]]) Poisson NLL loss:tensor([[2.2363, 1.3503], [1.1575, 1.6242]])
1
2

手动计算第一个 loss 的代码如下:
idx = 0

loss_1 = torch.exp(inputs[idx, idx]) - target[idx, idx]*inputs[idx, idx]

print("第一个元素loss:", loss_1)

1
2
3
4
5
6

结果为:2.2363



## nn.KLDivLoss
nn.KLDivLoss(size_average=None, reduce=None, reduction='mean')
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

功能:计算 KLD(divergence),KL 散度,相对熵

注意事项:需要提前将输入计算 log-probabilities,如通过`nn.logsoftmax()`

主要参数:

- reduction:计算模式,,可以为 none(逐个元素计算),sum(所有元素求和,返回标量),mean(加权平均,返回标量),batchmean(batchsize 维度求平均值)

公式:$\begin{aligned} D_{K L}(P \| Q)=E_{x-p}\left[\log \frac{P(x)}{Q(x)}\right] &=E_{x-p}[\log P(x)-\log Q(x)] =\sum_{i=1}^{N} P\left(x_{i}\right)\left(\log P\left(x_{i}\right)-\log Q\left(x_{i}\right)\right) \end{aligned}$

对于每个样本来说,计算公式如下,其中$y_{n}$是真实值$P(x)$,$x_{n}$是经过对数运算之后的预测值$logQ(x)$。

$l_{n}=y_{n} \cdot\left(\log y_{n}-x_{n}\right)$

代码如下:
inputs = torch.tensor([[0.5, 0.3, 0.2], [0.2, 0.3, 0.5]]) inputs_log = torch.log(inputs) target = torch.tensor([[0.9, 0.05, 0.05], [0.1, 0.7, 0.2]], dtype=torch.float)

loss_f_none = nn.KLDivLoss(reduction='none') loss_f_mean = nn.KLDivLoss(reduction='mean') loss_f_bs_mean = nn.KLDivLoss(reduction='batchmean')

loss_none = loss_f_none(inputs, target) loss_mean = loss_f_mean(inputs, target) loss_bs_mean = loss_f_bs_mean(inputs, target)

print("loss_none:_mean:_bs_mean:".format(loss_none, loss_mean, loss_bs_mean))

1
2

输出如下:
loss_none: tensor([[-0.5448, -0.1648, -0.1598], [-0.2503, -0.4597, -0.4219]]) loss_mean: -0.3335360586643219 loss_bs_mean: -1.000608205795288
1
2

手动计算第一个 loss 的代码为:
idx = 0 loss_1 = target[idx, idx] * (torch.log(target[idx, idx]) - inputs[idx, idx]) print("第一个元素loss:", loss_1)
1
2
3
4
5
6

结果为:-0.5448。



## nn.MarginRankingLoss
nn.MarginRankingLoss(margin=0.0, size_average=None, reduce=None, reduction='mean')
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

功能:计算两个向量之间的相似度,用于排序任务

特别说明:该方法计算 两组数据之间的差异,返回一个$n \times n$ 的 loss 矩阵

主要参数:

- margin:边界值,$x_{1}$与$x_{2}$之间的差异值
- reduction:计算模式,,可以为 none(逐个元素计算),sum(所有元素求和,返回标量),mean(加权平均,返回标量)

计算公式:$\operatorname{loss}(x, y)=\max (0,-y *(x 1-x 2)+\operatorname{margin})$,$y$的取值有 +1 和 -1。

- 当 $y=1$时,希望$x_{1} > x_{2}$,当$x_{1} > x_{2}$,不产生 loss
- 当 $y=-1$时,希望$x_{1} < x_{2}$,当$x_{1} < x_{2}$,不产生 loss

代码如下:
x1 = torch.tensor([[1], [2], [3]], dtype=torch.float) x2 = torch.tensor([[2], [2], [2]], dtype=torch.float)

target = torch.tensor([1, 1, -1], dtype=torch.float)

loss_f_none = nn.MarginRankingLoss(margin=0, reduction='none')

loss = loss_f_none(x1, x2, target)

print(loss)

1
2

输出为:
tensor([[1., 1., 0.], [0., 0., 0.], [0., 0., 1.]])
1
2
3
4
5
6

第一行表示$x_{1}$中的第一个元素分别与$x_{2}$中的 3 个元素计算 loss,以此类推。



## nn.MultiLabelMarginLoss
nn.MultiLabelMarginLoss(size_average=None, reduce=None, reduction='mean')
1
2
3
4
5
6
7
8
9
10
11
12

功能:多标签边界损失函数

举例:4 分类任务,样本 x 属于 0 类和 3 类,那么标签为 [0, 3, -1, -1],

主要参数:

- reduction:计算模式,,可以为 none(逐个元素计算),sum(所有元素求和,返回标量),mean(加权平均,返回标量)

计算公式:$\operatorname{loss}(x, y)=\sum_{i j} \frac{\max (0,1-(x[y[j]]-x[i]))}{x \cdot \operatorname{size}(0)}$,表示每个真实类别的神经元输出减去其他神经元的输出。

代码如下:
x = torch.tensor([[0.1, 0.2, 0.4, 0.8]]) y = torch.tensor([[0, 3, -1, -1]], dtype=torch.long)

loss_f = nn.MultiLabelMarginLoss(reduction='none')

loss = loss_f(x, y)

print(loss)

1
2

输出为:
0.8500
1
2

手动计算如下:
x = x[0] item_1 = (1-(x[0] - x[1])) + (1 - (x[0] - x[2])) # [0] item_2 = (1-(x[3] - x[1])) + (1 - (x[3] - x[2])) # [3]

loss_h = (item_1 + item_2) / x.shape[0]

print(loss_h)

1
2
3
4



## nn.SoftMarginLoss
nn.SoftMarginLoss(size_average=None, reduce=None, reduction='mean')
1
2
3
4
5
6
7
8
9
10

功能:计算二分类的 logistic 损失

主要参数:

- reduction:计算模式,,可以为 none(逐个元素计算),sum(所有元素求和,返回标量),mean(加权平均,返回标量)

计算公式:$\operatorname{loss}(x, y)=\sum_{i} \frac{\log (1+\exp (-y[i] * x[i]))}{\text { x.nelement } 0}$

代码如下:
inputs = torch.tensor([[0.3, 0.7], [0.5, 0.5]]) target = torch.tensor([[-1, 1], [1, -1]], dtype=torch.float)

loss_f = nn.SoftMarginLoss(reduction='none')

loss = loss_f(inputs, target)

print("SoftMargin: ", loss)

1
2

输出如下:
SoftMargin: tensor([[0.8544, 0.4032], [0.4741, 0.9741]])
1
2

手动计算第一个 loss 的代码如下:
idx = 0

inputs_i = inputs[idx, idx] target_i = target[idx, idx]

loss_h = np.log(1 + np.exp(-target_i * inputs_i))

print(loss_h)

1
2
3
4
5
6

结果为:0.8544



## nn.MultiLabelSoftMarginLoss
nn.MultiLabelSoftMarginLoss(weight=None, size_average=None, reduce=None, reduction='mean')
1
2
3
4
5
6
7
8
9
10
11

功能:SoftMarginLoss 的多标签版本

主要参数:

- weight:各类别的 loss 权值设置
- reduction:计算模式,,可以为 none(逐个元素计算),sum(所有元素求和,返回标量),mean(加权平均,返回标量)

计算公式:$\operatorname{loss}(x, y)=-\frac{1}{C} * \sum_{i} y[i] * \log \left((1+\exp (-x[i]))^{-1}\right)+(1-y[i]) * \log \left(\frac{\exp (-x[i])}{(1+\exp (-x[i]))}\right)$

代码如下
inputs = torch.tensor([[0.3, 0.7, 0.8]]) target = torch.tensor([[0, 1, 1]], dtype=torch.float)

loss_f = nn.MultiLabelSoftMarginLoss(reduction='none')

loss = loss_f(inputs, target)

print("MultiLabel SoftMargin: ", loss)

1
2

输出为:
MultiLabel SoftMargin: tensor([0.5429])
1
2

手动计算的代码如下:
x = torch.tensor([[0.1, 0.2, 0.7], [0.2, 0.5, 0.3]]) y = torch.tensor([1, 2], dtype=torch.long)

loss_f = nn.MultiMarginLoss(reduction='none')

loss = loss_f(x, y)

print("Multi Margin Loss: ", loss)

1
2
3
4



## nn.MultiMarginLoss
nn.MultiMarginLoss(p=1, margin=1.0, weight=None, size_average=None, reduce=None, reduction='mean')
1
2
3
4
5
6
7
8
9
10
11
12
13

功能:计算多分类的折页损失

主要参数:

- p:可以选择 1 或 2
- weight:各类别的 loss 权值设置
- margin:边界值
- reduction:计算模式,,可以为 none(逐个元素计算),sum(所有元素求和,返回标量),mean(加权平均,返回标量)

计算公式:$\operatorname{loss}(x, y)=\frac{\left.\sum_{i} \max (0, \operatorname{margin}-x[y]+x[i])\right)^{p}}{\quad \text { x.size }(0)}$,其中 y 表示真实标签对应的神经元输出,x 表示其他神经元的输出。

代码如下:
x = torch.tensor([[0.1, 0.2, 0.7], [0.2, 0.5, 0.3]]) y = torch.tensor([1, 2], dtype=torch.long)

loss_f = nn.MultiMarginLoss(reduction='none')

loss = loss_f(x, y)

print("Multi Margin Loss: ", loss)

1
2

输出如下:
Multi Margin Loss: tensor([0.8000, 0.7000])
1
2

手动计算第一个 loss 的代码如下:
x = x[0] margin = 1

i_0 = margin - (x[1] - x[0]) # i_1 = margin - (x[1] - x[1]) i_2 = margin - (x[1] - x[2])

loss_h = (i_0 + i_2) / x.shape[0]

print(loss_h)

1
2
3
4
5
6

输出为:0.8000



## nn.TripletMarginLoss
nn.TripletMarginLoss(margin=1.0, p=2.0, eps=1e-06, swap=False, size_average=None, reduce=None, reduction='mean')
1
2
3
4
5
6
7
8
9
10
11
12

功能:计算三元组损失,人脸验证中常用

主要参数:

- p:范数的阶,默认为 2
- margin:边界值
- reduction:计算模式,,可以为 none(逐个元素计算),sum(所有元素求和,返回标量),mean(加权平均,返回标量)

计算公式:$L(a, p, n)=\max \left\{d\left(a_{i}, p_{i}\right)-d\left(a_{i}, n_{i}\right)+\text { margin, } 0\right\}$,$d\left(x_{i}, y_{i}\right)=\left\|\mathbf{x}_{i}-\mathbf{y}_{i}\right\|_{p}$,其中$d(a_{i}, p_{i})$表示正样本对之间的距离(距离计算公式与 p 有关),$d(a_{i}, n_{i})$表示负样本对之间的距离。表示正样本对之间的距离比负样本对之间的距离小 margin,就没有了 loss。

代码如下:
anchor = torch.tensor([[1.]]) pos = torch.tensor([[2.]]) neg = torch.tensor([[0.5]])

loss_f = nn.TripletMarginLoss(margin=1.0, p=1)

loss = loss_f(anchor, pos, neg)

print("Triplet Margin Loss", loss)

1
2

输出如下:
Triplet Margin Loss tensor(1.5000)
1
2

手动计算的代码如下:
margin = 1 a, p, n = anchor[0], pos[0], neg[0]

d_ap = torch.abs(a-p) d_an = torch.abs(a-n)

loss = d_ap - d_an + margin

print(loss)

1
2
3
4



## nn.HingeEmbeddingLoss
nn.HingeEmbeddingLoss(margin=1.0, size_average=None, reduce=None, reduction='mean')
1
2
3
4
5
6
7
8
9
10
11
12
13

功能:计算两个输入的相似性,常用于非线性 embedding 和半监督学习

特别注意:输入 x 应该为两个输入之差的绝对值

主要参数:

- margin:边界值
- reduction:计算模式,,可以为 none(逐个元素计算),sum(所有元素求和,返回标量),mean(加权平均,返回标量)

计算公式:$l_{n}=\left\{\begin{array}{ll}x_{n}, & \text { if } y_{n}=1 \\ \max \left\{0, \Delta-x_{n}\right\}, & \text { if } y_{n}=-1\end{array}\right.$

代码如下:
inputs = torch.tensor([[1., 0.8, 0.5]]) target = torch.tensor([[1, 1, -1]])

loss_f = nn.HingeEmbeddingLoss(margin=1, reduction='none')

loss = loss_f(inputs, target)

print("Hinge Embedding Loss", loss)

1
2

输出为:
Hinge Embedding Loss tensor([[1.0000, 0.8000, 0.5000]])
1
2

手动计算第三个 loss 的代码如下:
margin = 1. loss = max(0, margin - inputs.numpy()[0, 2])

print(loss)

1
2
3
4
5
6

结果为 0.5



## nn.CosineEmbeddingLoss
torch.nn.CosineEmbeddingLoss(margin=0.0, size_average=None, reduce=None, reduction='mean')
1
2
3
4
5
6
7
8
9
10
11
12
13

功能:采用余弦相似度计算两个输入的相似性

主要参数:

- margin:边界值,可取值 [-1, 1],推荐为 [0, 0.5]
- reduction:计算模式,,可以为 none(逐个元素计算),sum(所有元素求和,返回标量),mean(加权平均,返回标量)

计算公式:$\operatorname{loss}(x, y)=\left\{\begin{array}{ll}1-\cos \left(x_{1}, x_{2}\right), & \text { if } y=1 \\ \max \left(0, \cos \left(x_{1}, x_{2}\right)-\operatorname{margin}\right), & \text { if } y=-1\end{array}\right.$

其中$\cos (\theta)=\frac{A \cdot B}{\|A\|\|B\|}=\frac{\sum_{i=1}^{n} A_{i} \times B_{i}}{\sqrt{\sum_{i=1}^{n}\left(A_{i}\right)^{2}} \times \sqrt{\sum_{i=1}^{n}\left(B_{i}\right)^{2}}}$

代码如下:
x1 = torch.tensor([[0.3, 0.5, 0.7], [0.3, 0.5, 0.7]]) x2 = torch.tensor([[0.1, 0.3, 0.5], [0.1, 0.3, 0.5]])

target = torch.tensor([[1, -1]], dtype=torch.float)

loss_f = nn.CosineEmbeddingLoss(margin=0., reduction='none')

loss = loss_f(x1, x2, target)

print("Cosine Embedding Loss", loss)

1
2

输出如下:
Cosine Embedding Loss tensor([[0.0167, 0.9833]])
1
2

手动计算第一个样本的 loss 的代码为:
margin = 0.

def cosine(a, b): numerator = torch.dot(a, b) denominator = torch.norm(a, 2) * torch.norm(b, 2) return float(numerator/denominator)

l_1 = 1 - (cosine(x1[0], x2[0]))

l_2 = max(0, cosine(x1[0], x2[0]))

print(l_1, l_2)

1
2
3
4
5
6

结果为:0.016662120819091797 0.9833378791809082



## nn.CTCLoss
nn.CTCLoss(blank=0, reduction='mean', zero_infinity=False) ```

功能:计算 CTC 损失,解决时序类数据的分类,全称为 Connectionist Temporal Classification

主要参数:

  • blank:blank label
  • zero_infinity:无穷大的值或梯度置 0
  • reduction:计算模式,,可以为 none(逐个元素计算),sum(所有元素求和,返回标量),mean(加权平均,返回标量)

对时序方面研究比较少,不展开讲了。

参考资料


如果你觉得这篇文章对你有帮助,不妨点个赞,让我有更多动力写出好文章。

我的文章会首发在公众号上,欢迎扫码关注我的公众号张贤同学


评论