在pytorch中使用交叉熵损失时,应该使用softmax作为输出吗?

时间:2019-04-14 12:38:37

标签: python pytorch mnist softmax

我无法对pytorch中的 MNIST数据集的具有2个隐藏层的完全连接的深度神经网络进行分类

我想在两个隐藏层中都使用 tanh 作为激活,但是最后,我应该使用 softmax

为了弥补损失,我在pytorch中选择了nn.CrossEntropyLoss(),(我发现)它不希望将一键编码的标签用作真实标签,而希望使用LongTensor类。

我的模型是nn.Sequential(),当我最终使用softmax时,就测试数据的准确性而言,它给我带来的结果更糟。为什么?

import torch
import torch.nn as nn

inputs, n_hidden0, n_hidden1, out = 784, 128, 64, 10
n_epochs = 500
model = nn.Sequential(nn.Linear(inputs, n_hidden0, bias = True), 
                 nn.Tanh(), 
                 nn.Linear(n_hidden0, n_hidden1, bias = True),
                 nn.Tanh(),
                 nn.Linear(n_hidden1, out, bias = True),
                 nn.Softmax()  # SHOULD THIS BE THERE?
                 )

criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.1, momentum = 0.5)

for epoch in range(n_epochs):
    y_pred = model(X_train)
    loss = criterion(y_pred, Y_train)
    print('epoch: ', epoch+1,' loss: ', loss.item())
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

感谢您的帮助:)

1 个答案:

答案 0 :(得分:2)

torch.nn.CrossEntropyLoss()文档所述:

  

此标准将nn.LogSoftmax()nn.NLLLoss()合并为一个类。

因此,您应该之前使用softmax。