pytorch 自定义损失函数 nn.CrossEntropyLoss

Question

学习了autograd后，尝试自己制作损失函数。这是我的损失

def myCEE(outputs,targets):
    exp=torch.exp(outputs)
    A=torch.log(torch.sum(exp,dim=1))
    
    hadamard=F.one_hot(targets, num_classes=10).float()*outputs
    B=torch.sum(hadamard, dim=1)
    return torch.sum(A-B)

和我比较torch.nn.CrossEntropyLoss

这是结果

for i,j in train_dl:
    inputs=i
    targets=j
    break

outputs=model(inputs)

myCEE(outputs,targets) : tensor(147.5397, grad_fn=<SumBackward0>)
loss_func = nn.CrossEntropyLoss(reduction='sum')  : tensor(147.5397, grad_fn=<NllLossBackward>)

值相同。

我想，因为那些是不同的功能所以 grad_fn 是不同的，它不会造成任何问题。

但是出事了！

4个epoch后，损失值变为nan。

与myCEE相反，nn.CrossEntropyLoss学习进展顺利。

所以，请问是不是我的功能有问题

在阅读了一些关于 nan 问题的帖子后，我在模型中添加了更多的卷积层。

结果39个epoch的训练没有出错

尽管如此，我想知道 myCEE 和 nn.CrossEntropyLoss

之间的区别

Answer 1

torch.nn.CrossEntropyLoss 与您的实现不同，因为它在使用大数值时使用了一个技巧来对抗指数的不稳定计算。给定 logits 输出 {l_1, ... l_j, ..., l_n}，softmax 定义为：

softmax(l_i) = exp(l_i) / sum_j(exp(l_j))

诀窍是将分子和分母乘以 exp(-β):

softmax(l_i) = exp(l_i)*exp(-β) / [sum_j(exp(l_j))*exp(-β)]
             = exp(l_i-β) / sum_j(exp(l_j-β))

然后 log-softmax 归结为：

logsoftmax(l_i) = l_i - β - log[sum_j(exp(l_j-β))]

在实践中 β 被选为最高 logit 值即 β = max_j(l_j).

您可以在这个问题上阅读更多相关信息：。

pytorch 自定义损失函数 nn.CrossEntropyLoss

pytorch custom loss function nn.CrossEntropyLoss

python

pytorch

loss-function

cross-entropy