NLLLoss

class torch.nn.NLLLoss(weight=None, size_average=None, ignore_index=-100, reduce=None, reduction='mean')

负对数似然损失（Negative Log Likelihood Loss）。它对于训练 C 类别的分类问题非常有用。

如果提供，可选参数 weight 应是一个 1D 张量，为每个类别分配权重。这在训练集不平衡时特别有用。

input 在前向传播中应包含每个类别的对数概率。input 必须是大小为 $(minibatch, C)$ 或 $(minibatch, C, d_1, d_2, ..., d_K)$ 的张量，其中对于 K 维情况，$K \geq 1$。后者对于更高维度的输入很有用，例如计算二维图像的每个像素的 NLL 损失。

在神经网络中获得对数概率很容易，只需在网络的最后一层添加一个 LogSoftmax 层即可。如果您不想添加额外的层，可以使用 CrossEntropyLoss 代替。

此损失函数期望的 target 应为类别索引，范围在 $[0, C-1]$ 之间，其中 C = 类别数量；如果指定了 ignore_index，此损失函数也接受该类别索引（此索引不一定在类别范围内）。

未约简（即 reduction 设置为 'none'）的损失可以描述为

$$\ell(x, y) = L = \{l_1,\dots,l_N\}^\top, \quad l_n = - w_{y_n} x_{n,y_n}, \quad w_{c} = \text{weight}[c] \cdot \mathbb{1}\{c \not= \text{ignore\_index}\},$$

其中 $x$ 是输入，$y$ 是目标，$w$ 是权重，$N$ 是批量大小。如果 reduction 不是 'none'（默认为 'mean'），则

$$\ell(x, y) = \begin{cases} \sum_{n=1}^N \frac{1}{\sum_{n=1}^N w_{y_n}} l_n, & \text{if reduction} = \text{`mean';}\\ \sum_{n=1}^N l_n, & \text{if reduction} = \text{`sum'.} \end{cases}$$

参数

• weight (Tensor, 可选) – 为每个类别手动设置的缩放权重。如果给定，它必须是一个大小为 C 的张量。否则，它将被视为全为 1。

• size_average (bool, 可选) – 已弃用（参见 reduction）。默认情况下，损失在批次中的每个损失元素上取平均。注意，对于某些损失，每个样本有多个元素。如果字段 size_average 设置为 False，则改为对每个 minibatch 中的损失求和。当 reduce 为 False 时忽略。默认值：None

• ignore_index (int, 可选) – 指定一个将被忽略且不贡献输入梯度的目标值。当 size_average 为 True 时，损失将在未被忽略的目标上取平均。

• reduce (bool, 可选) – 已弃用（参见 reduction）。默认情况下，损失会根据 size_average 在每个 minibatch 的观察值上取平均或求和。当 reduce 为 False 时，返回每个批次元素的损失，并忽略 size_average。默认值：None

• reduction (str, 可选) – 指定应用于输出的约简方式：'none' | 'mean' | 'sum'。'none'：不应用任何约简，'mean'：计算输出的加权平均值，'sum'：对输出求和。注意：size_average 和 reduce 正在被弃用，在此期间，指定这两个参数中的任何一个都会覆盖 reduction。默认值：'mean'

形状：

• 输入: $(N, C)$ 或 $(C)$，其中 C = 类别数量，N = 批量大小，或 $(N, C, d_1, d_2, ..., d_K)$，其中 $K \geq 1$，在K维损失的情况下。

• 目标: $(N)$ 或 $()$，其中每个值满足 $0 \leq \text{targets}[i] \leq C-1$，或 $(N, d_1, d_2, ..., d_K)$，其中 $K \geq 1$，在K维损失的情况下。

• 输出: 如果 reduction 为 'none'，形状为 $(N)$ 或 $(N, d_1, d_2, ..., d_K)$，其中 $K \geq 1$，在K维损失的情况下。否则，为标量。

示例

>>> log_softmax = nn.LogSoftmax(dim=1)
>>> loss_fn = nn.NLLLoss()
>>> # input to NLLLoss is of size N x C = 3 x 5
>>> input = torch.randn(3, 5, requires_grad=True)
>>> # each element in target must have 0 <= value < C
>>> target = torch.tensor([1, 0, 4])
>>> loss = loss_fn(log_softmax(input), target)
>>> loss.backward()
>>>
>>>
>>> # 2D loss example (used, for example, with image inputs)
>>> N, C = 5, 4
>>> loss_fn = nn.NLLLoss()
>>> data = torch.randn(N, 16, 10, 10)
>>> conv = nn.Conv2d(16, C, (3, 3))
>>> log_softmax = nn.LogSoftmax(dim=1)
>>> # output of conv forward is of shape [N, C, 8, 8]
>>> output = log_softmax(conv(data))
>>> # each element in target must have 0 <= value < C
>>> target = torch.empty(N, 8, 8, dtype=torch.long).random_(0, C)
>>> # input to NLLLoss is of size N x C x height (8) x width (8)
>>> loss = loss_fn(output, target)
>>> loss.backward()