PyTorch

Question

当我使用 BCELoss 作为神经网络的损失函数时，得到 ValueError: Target and input must have the same number of elements.

这是我的测试阶段代码（这是一个非常典型的测试阶段代码）：

network.eval()
test_loss = 0
correct = 0
with torch.no_grad():
    for data, target in test_loader:
        data, target = data.to(device), target.to(device)

    output = network(data)
    output = output.to(device)
    test_loss += loss_function(output, target).item() # error happens here
    _, predicted = torch.max(output.data, 1)
    correct += (predicted == target).sum().item()

变量output的形状是[1000, 10]，因为有10个目标类（在MNIST数据集中），变量 target 的形状是 [1000]，因为它包含测试批次的目标类（测试的批次大小设置为 10）。所以，问题是我如何应用 BCELoss 作为 CNN 网络的损失函数？

p.s。我使用的数据集是由 torchvision 库提供的 MNIST 数据集。

p.s。 The answer provided to a similar question here 没有针对我的情况提出解决方案。

Answer 1

您声称的answer没有提出解决方案，实际上解决了您的问题：

your targets are incomplete! If there are multiple classes, you should work with torch.nn.CrossEntropyLoss instead of torch.nn.BCELoss()

总而言之，torch.nn.BCELoss() 旨在用于对每个输入示例的 c 独立二进制属性进行分类的任务。另一方面，您的任务是将每个输出分类为 c 互斥 类之一。对于此任务，您需要不同的损失，torch.nn.CrossEntropyLoss().
由不同损失函数表示的不同任务需要不同的监督（标签）。如果您想将每个示例分类为 c 互斥类之一，则每个示例只需要一个整数标签（就像您在 mnist 示例中那样）。但是，如果你想将每个示例分类为 c 个独立的二进制属性，你需要为每个示例 c 个二进制标签 - 这就是为什么 pytorch 给你一个错误。

PyTorch - BCELoss: ValueError: Target and input must have the same number of elements

PyTorch - BCELoss: ValueError: Target and input must have the same number of elements

machine-learning

conv-neural-network

mnist

torchvision