Question

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：）

Answer 1

如torch.nn.CrossEntropyLoss()文档所述：

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

因此，您应该不之前使用softmax。

在pytorch中使用交叉熵损失时，应该使用softmax作为输出吗？

1 个答案: