我应该使用哪种多损失函数多类多标签（？）问题？

Question

在我的实验中，我试图训练一个神经网络来检测患者是否表现出症状A，B，C，D。我的数据由每位患者不同角度的照片以及他们是否患有症状A，B， C，D。

现在，pytoch，我正在使用MSELoss并将我的测试错误计算为正确的分类总数中的正确分类总数。我猜这太天真，甚至不合适。

测试错误计算的示例如下： 假设我们有2个病人，每个人都有两个图像。然后将有16种总分类（对于1号患者在照片1中是否具有症状A，B，C，D等，分类为1）。并且，如果模型正确地预测在照片1中患者1出现症状A，那么这将为正确分类的总数加1。

Answer 1

我建议在多类多标签分类中使用binary-crossentropy。对于多标签分类，这似乎违反直觉，但请记住，此处的目标是将每个输出标签视为一个独立的分布（或类）。

在pytorch中，您可以使用torch.nn.BCELoss(weight=None, size_average=None, reduce=None, reduction='mean')。这将创建一个衡量目标和输出之间的二进制交叉熵的标准。