Question

对于batch_size = 1的二进制分类问题，我需要使用logit和label值来计算损失。

logit: tensor([0.1198, 0.1911], device='cuda:0', grad_fn=<AddBackward0>)
label: tensor(1], device='cuda:0')
# calculate loss
loss_criterion = nn.CrossEntropyLoss()
loss_criterion.cuda()
loss = loss_criterion( b_logits, b_labels )

但是，这总是会导致以下错误，

IndexError: Dimension out of range (expected to be in range of [-1, 0], but got 1)

CrossEntropyLoss实际要求什么输入尺寸？

Answer 1

您传递的张量形状错误。
shape应该是（from doc）

输入： (N,C) 其中C =类数

目标：(N)，其中每个值为0 ≤ targets[i] ≤ C−1

因此，在这里，b_logits的形状应为([1,2])而不是([2])，以使其正确显示形状，您可以像b_logits.view(1,-1)一样使用torch.view。

并且b_labels的形状应为([1])。
例如：

b_logits = torch.tensor([0.1198, 0.1911], requires_grad=True)
b_labels = torch.tensor([1])
loss_criterion = nn.CrossEntropyLoss()

loss = loss_criterion( b_logits.view(1,-1), b_labels )
loss
tensor(0.6581, grad_fn=<NllLossBackward>)

PyTorch中的交叉熵损失的输入维

1 个答案: