是`torch.nn.functional.cross_entropy`

将logits作为输入（内部执行log_softmax）。在这里，logit只是[0,1]间隔之外的一些非概率值。

但是，logits也是将转换为概率的值。如果您考虑tensorflow函数的名称，您会理解它是pleonasm。

因为with_logits部分假设将调用softmax。

在PyTorch中，实现如下所示：

loss = F.cross_entropy(x, target)

相当于：

lp = F.log_softmax(x, dim=-1)
loss = F.nll_loss(lp, target)

它不是F.binary_cross_entropy_with_logits，因为此函数假定了多标签分类：

F.sigmoid + F.binary_cross_entropy = F.binary_cross_entropy_with_logits

它也不是torch.nn.functional.nll_loss，因为此函数采用对数概率（在log_softmax()之后）而不是对数。

Answer 2

在多个线程中遵循指针之后，我得到了以下转换。我会将解决方案放在这里，以防其他人落入此线程。它是从here修改而来的，其行为在this context中符合预期。

# pred is the prediction with shape [C, H*W]
# gt is the target with shape [H*W]
# idx is the boolean array on H*W for masking

# Tensorflow version
loss = tf.nn.sparse_softmax_cross_entropy_with_logits( \
          logits=tf.boolean_mask(pred, idx), \
          labels=tf.boolean_mask(gt, idx)))

# Pytorch version       
logp = torch.nn.functional.log_softmax(pred[idx])
logpy = torch.gather(logp, 1, Variable(gt[idx].view(-1,1)))
loss = -(logpy).mean()

Answer 3

@Blade这是我想出的解决方案！

import torch
import torch.nn as nn
import torch.nn.functional as F


class masked_softmax_cross_entropy_loss(nn.Module):
    r"""my version of masked tf.nn.softmax_cross_entropy_with_logits"""
    def __init__(self, weight=None):
        super(masked_softmax_cross_entropy_loss, self).__init__()
        self.register_buffer('weight', weight)

    def forward(self, input, target, mask):
        if not target.is_same_size(input):
            raise ValueError("Target size ({}) must be the same as input size ({})".format(target.size(), input.size()))

        input = F.softmax(input)
        loss = -torch.sum(target * torch.log(input), 1)
        loss = torch.unsqueeze(loss, 1)
        mask /= torch.mean(mask)
        mask = torch.unsqueeze(mask, 1)
        loss = torch.mul(loss, mask)
        return torch.mean(loss)

顺便说一句：当时（2017年9月），我需要此损失函数，因为我试图将Thomas Kipf的GCN代码（请参见https://arxiv.org/abs/1609.02907）从TensorFlow转换为PyTorch。但是，我现在注意到Kipf自己完成了此操作（请参见https://github.com/tkipf/pygcn），在他的代码中，他只是使用内置的PyTorch损失函数，即负对数似然损失，即

loss_train = F.nll_loss(output[idx_train], labels[idx_train])

希望这会有所帮助。

〜DV

Answer 4

解决方案

from thexp.calculate.tensor import onehot
from torch.nn import functional as F
import torch

logits = torch.rand([3,10])
ys = torch.tensor([1,2,3])
targets = onehot(ys,10)
assert F.cross_entropy(logits,ys) == -torch.mean(torch.sum(F.log_softmax(logits, dim=1) * targets, dim=1))

onehot功能：

def onehot(labels: torch.Tensor, label_num):
    return torch.zeros(labels.shape[0], label_num, device=labels.device).scatter_(1, labels.view(-1, 1), 1)

PyTorch中有一个等效的损失函数到tf.nn.softmax_cross_entropy_with_logits吗？

4 个答案:

是`torch.nn.functional.cross_entropy`

PyTorch中有一个等效的损失函数到tf.nn.softmax_cross_entropy_with_logits吗？

4 个答案:

是torch.nn.functional.cross_entropy

是`torch.nn.functional.cross_entropy`