在深度学习中，理解损失函数是训练模型的关键一步。在分类任务中，交叉熵损失函数是最常用的损失函数之一。本文将详细解释 PyTorch 中的 logits、交叉熵损失函数的工作原理，并展示如何调整张量的形状以确保计算正确的损失。

什么是 logits？

logits 是模型输出的未归一化预测值，通常是全连接层的输出。在分类任务中，logits 的形状通常为 (batch_size, num_labels)，其中 batch_size 是一个批次中的样本数，num_labels 是分类任务中的类别数。

什么是交叉熵损失函数？

交叉熵损失函数（Cross-Entropy Loss）是一种常用于分类任务的损失函数。它衡量的是预测分布与真实分布之间的差异。具体而言，它会计算每个样本的预测类别与真实类别之间的距离，然后取平均值。

在 PyTorch 中，交叉熵损失函数可以通过 torch.nn.CrossEntropyLoss 来实现。该函数结合了 LogSoftmax 和 NLLLoss 两个操作，适用于未归一化的 logits。

示例：计算 logits 和交叉熵损失

让我们通过一个具体示例来详细解释如何计算 logits 和交叉熵损失。

定义模型

首先，我们定义一个简单的模型，其中包含一个全连接层和一个 dropout 层。

import torch import torch.nn as nn  class MyModel(nn.Module):     def __init__(self):         super(MyModel, self).__init__()         self.dropout = nn.Dropout(p=0.1)         self.classifier = nn.Linear(768, 3)  # 假设输入的维度是768，输出的维度是3      def forward(self, output):         pooled_output = output[1]         pooled_output = self.dropout(pooled_output)         logits = self.classifier(pooled_output)         return logits 

训练循环

接下来，我们定义一个训练循环，并在其中计算损失。

# 假设你有数据加载器和优化器等 # dataloader = ... # optimizer = ...  model = MyModel() criterion = nn.CrossEntropyLoss()  # 定义交叉熵损失函数 optimizer = torch.optim.Adam(model.parameters())  for epoch in range(num_epochs):     for inputs, labels in dataloader:         optimizer.zero_grad()         outputs = model(inputs)         logits = outputs          # 计算损失         loss = criterion(logits.view(-1, model.classifier.out_features), labels.view(-1))                  # 反向传播和优化         loss.backward()         optimizer.step() 

解释代码细节

1. logits:

   • logits 是模型的输出。假设 logits 的形状为 (batch_size, num_labels)，例如 (32, 3)，表示每个批次有 32 个样本，每个样本有 3 个类别的预测值。

2. labels:

   • labels 是模型的真实标签。假设 labels 的形状为 (batch_size,)，例如 (32,)，表示每个批次有 32 个样本的真实类别标签。

3. .view():

   • logits.view(-1, model.classifier.out_features)：view 方法用于重新调整张量的形状。这里将 logits 的形状调整为 (-1, num_labels)，其中 -1 表示自动计算的维度大小，使总元素数保持不变。这种调整通常用于确保张量形状与损失函数期望的输入形状相匹配。
   • labels.view(-1)：同样，view(-1) 将 labels 的形状调整为一维，便于与 logits 的形状对齐。

4. 计算损失:

   • loss = criterion(logits.view(-1, model.classifier.out_features), labels.view(-1))：这行代码计算 logits 和 labels 之间的交叉熵损失。调整后的 logits 形状为 (batch_size * num_labels, num_labels)，调整后的 labels 形状为 (batch_size * num_labels,)。这样，损失函数能够正确计算每个样本的损失。

具体示例

假设有一个分类任务，模型的输出和标签如下：

logits = torch.tensor([[2.0, 0.5, 0.3], [0.2, 2.0, 0.5]]) labels = torch.tensor([0, 1]) 

解释如下：

• logits 的形状是 (2, 3)，表示有 2 个样本，每个样本有 3 个类别的预测值。
• labels 的形状是 (2,)，表示有 2 个样本的真实类别标签。
• model.classifier.out_features 是 3，表示有 3 个类别。

调整形状并计算损失：

logits = logits.view(-1, 3)  # 形状变为 (2, 3) labels = labels.view(-1)     # 形状变为 (2,)  loss_fct = nn.CrossEntropyLoss() loss = loss_fct(logits, labels)  # 计算交叉熵损失 

交叉熵损失计算

交叉熵损失会分别计算每个样本的损失，并取平均值。例如，对于第一个样本，真实标签是类别 0，损失函数会对类别 0 的预测值计算损失。对于第二个样本，真实标签是类别 1，损失函数会对类别 1 的预测值计算损失。

总结

在本文中，我们深入解释了 PyTorch 中 logits 和交叉熵损失函数的工作原理，并展示了如何调整张量的形状以确保正确计算损失。这是分类任务中标准的损失计算步骤，有助于优化模型的参数。通过理解这些概念，你可以更好地调试和优化你的深度学习模型。

希望这篇文章对你理解 PyTorch 中的 logits 和交叉熵损失函数有所帮助！如果你有任何问题或建议，请在评论区留言。