在 pytorch 中使用交叉熵损失时，我应该使用 softmax 作为输出吗？

Question

我在为 pytorch.

中的 MNIST 数据集分类具有 2 个隐藏层的全连接深度神经网络时遇到问题

我想在两个隐藏层中使用 tanh 作为激活，但最后我应该使用 softmax.

对于损失，我在 PyTOrch 中选择 nn.CrossEntropyLoss()，它（正如我发现的那样）不想将单热编码标签作为真实标签，而是采用 [=27= 的 LongTensor ] 相反。

我的模型是 nn.Sequential()，当我最后使用 softmax 时，它在测试数据的准确性方面给我带来了更差的结果。为什么？

import torch
from torch import nn

inputs, n_hidden0, n_hidden1, out = 784, 128, 64, 10
n_epochs = 500
model = nn.Sequential(
    nn.Linear(inputs, n_hidden0, bias=True), 
    nn.Tanh(),
    nn.Linear(n_hidden0, n_hidden1, bias=True),
    nn.Tanh(),
    nn.Linear(n_hidden1, out, bias=True),
    nn.Softmax()  # SHOULD THIS BE THERE?
)
                 
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.1, momentum=0.5)

for epoch in range(n_epochs):
    y_pred = model(X_train)
    loss = criterion(y_pred, Y_train)
    print('epoch: ', epoch+1,' loss: ', loss.item())
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

Answer 1

如 torch.nn.CrossEntropyLoss() 文档所述：

This criterion combines nn.LogSoftmax() and nn.NLLLoss() in one single class.

因此，您之前应该不使用softmax。