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)[源代码]¶

计算输入logits与目标之间的交叉熵损失。

详情请参见 CrossEntropyLoss。

Parameters

输入 (张量) – 预测的未归一化对数概率；请参阅下面的形状部分以了解支持的形状。
目标 (张量) – 真实类别索引或类别概率；请参阅下面的形状部分以了解支持的形状。
权重 (张量, 可选) – 手动调整每个类别的权重。如果提供，必须是一个大小为 C 的张量
size_average (布尔值, 可选) – 已弃用（参见 reduction）。默认情况下，损失在批次中的每个损失元素上进行平均。请注意，对于某些损失，每个样本可能有多个元素。如果字段 size_average 设置为 False，则损失将改为对每个小批次进行求和。当 reduce 为 False 时忽略。默认值：True
ignore_index (int, 可选) – 指定一个目标值，该值将被忽略，并且不会对输入梯度产生贡献。当 size_average 为 True 时，损失将平均在非忽略的目标上。请注意， ignore_index 仅在目标包含类别索引时适用。默认值：-100
reduce (bool, 可选) – 已弃用（参见 reduction）。默认情况下，损失会根据 size_average 的设置在每个小批次中对观测值进行平均或求和。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, 可选) – 指定应用于输出的reduction方式： 'none' | 'mean' | 'sum'。'none'：不进行reduction， '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, 可选) – 一个在 [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 表示没有平滑。目标变为原始真实标签和均匀分布的混合，如《重新思考计算机视觉的初始架构》中所述。默认值： $0.0$ 。

Return type

张量

Shape:

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，形状 $()$ ， $(N)$ 或 $(N, d_1, d_2, ..., d_K)$ 其中 $K \geq 1$ 在 K 维损失的情况下，每个值应在 $[0, C)$ 之间。如果包含类别概率，形状与输入相同，每个值应在 $[0, 1]$ 之间。

其中：

\begin{aligned} C ={} & \text{number of classes} \\ N ={} & \text{batch size} \\ \end{aligned}

示例：

>>> # 目标为类索引的示例
>>> input = torch.randn(3, 5, requires_grad=True)
>>> target = torch.randint(5, (3,), dtype=torch.int64)
>>> loss = F.cross_entropy(input, target)
>>> loss.backward()
>>>
>>> # 目标为类概率的示例
>>> input = torch.randn(3, 5, requires_grad=True)
>>> target = torch.randn(3, 5).softmax(dim=1)
>>> loss = F.cross_entropy(input, target)
>>> loss.backward()