如何在pytorch中实现可微分的汉明损失？

Question

如何实现计算错误预测次数的可微损失函数？

output = [1,0,4,10]
target = [1,2,4,15]
loss = np.count_nonzero(output != target) / len(output) # [0,1,0,1] -> 2 / 4 -> 0.5

我已经尝试了一些实现，但它们是不可区分的。 RuntimeError: element 0 of tensors does not require grad and does not have a grad_fn

def hamming_loss(output, target):
  #loss = torch.tensor(torch.nonzero(output != target).size(0)).double() / target.size(0)
  #loss = torch.sum((output != target), dim=0).double() / target.size(0)
  loss = torch.mean((output != target).double())
  return loss

也许有一些类似但不同的损失函数？

Answer 1

为什么不将离散预测（例如 [1, 0, 4, 10]）转换为 "soft" 预测，即每个标签的概率（例如，output 变成 4x(num labels ) 概率向量）。
一旦你有了 "soft" 个预测，你就可以计算预测输出概率和期望目标之间的交叉熵损失。

如何在pytorch中实现可微分的汉明损失？

How to implement differentiable hamming loss in pytorch?

python

pytorch

loss-function

hamming-distance

differentiation