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)

计算输入 logits 和目标之间的交叉熵损失。

有关详细信息，请参阅 CrossEntropyLoss 。

参数

• input (Tensor) – 预测的未归一化 logits；有关支持的形状，请参阅下面的 Shape 部分。

• target (Tensor) – 真实标签类别索引或类别概率；有关支持的形状，请参阅下面的 Shape 部分。

• weight (Tensor, optional) – 赋予每个类别的手动重缩放权重。如果给定，则必须是大小为 C 的 Tensor

• size_average (bool, optional) – 已弃用（请参阅 reduction）。默认情况下，损失在批次中每个损失元素上取平均值。 请注意，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，则损失将改为为每个小批量求和。当 reduce 为 False 时忽略。默认值： True

• ignore_index (int, optional) – 指定一个要忽略的目标值，该值不影响输入梯度。当 size_average 为 True 时，损失在非忽略目标上取平均值。请注意， ignore_index 仅在目标包含类别索引时适用。默认值： -100

• reduce (bool, optional) – 已弃用（请参阅 reduction）。默认情况下，损失根据 size_average 在每个小批量的观测值上取平均值或求和。当 reduce 为 False 时，返回每个批次元素的损失，并忽略 size_average 。默认值： True

• reduction (str, optional) – 指定应用于输出的缩减方式： 'none' | 'mean' | 'sum'。 'none'：不应用任何缩减， 'mean'：输出的总和将除以输出中的元素数量， 'sum'：输出将被求和。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将覆盖 reduction 。默认值： 'mean'

• label_smoothing (float, optional) – [0.0, 1.0] 范围内的浮点数。指定计算损失时的平滑量，其中 0.0 表示不平滑。目标变为原始真实标签和均匀分布的混合，如 Rethinking the Inception Architecture for Computer Vision 中所述。默认值： $0.0$。

返回类型

Tensor

形状

• 输入：形状 $(C)$， $(N, C)$ 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：如果包含类别索引，则形状为 $()$， $(N)$ 或 $(N, d_1, d_2, ..., d_K)$ 其中 $K \geq 1$ 在 K 维损失的情况下，其中每个值应介于 $[0, C)$ 之间。 如果包含类别概率，则形状与输入相同，并且每个值应介于 $[0, 1]$ 之间。

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()