什么是交叉熵

交叉熵有很多文章介绍，此处不赘述。只需要知道它是可以衡量真实值和预测值之间的差距的，因而用交叉熵来计算损失的时候，损失是越小越好，它用数学公式表示是：

-P(x) log Q(x)

其中P(x)是真实值，Q(x)是预测值
当p(x)和Q(x)是矩阵的时候，就分别对其计算，然后求和即可

在pytorch中的交叉熵损失CrossEntropyLoss 包含了 两部分，softmax和交叉熵计算，下面分别介绍这两部分

softmax

一句话理解，是将预测值转成概率。通常经过神经网络计算出来的预测数据不是一个，举个例子：
比如一个二分类问题，一个输入计算出来的结果总是两个值（a, b）其中 a 表示1分类的得分，b 表示2分类的得分，多分类同样
比如一个翻译模型，每个时间步的输出是词表大小(a, b,…) 其中每个值表示词表中每个词的得分

而我们需要的是概率，不是分数，因此需要一个转换，要保证所有分类的概率和为1 softmax的做法：

即：exp（某分数）/所有分类的exp后的分数

损失计算

计算完softmax，就可以用文中刚开始的 -P(x) log Q(x) 计算损失了,通常情况下，我们的真实值 p(x)，也就是target 通常是one-hot编码的，举个例子：
比如二分类类的时候，target通常是（0,1）(1,0)
比如翻译模型，target通常是(0,…1…0)等
我们计算的时候不难发现target中为0经过乘法都是0了，因此最后只剩下正确类型的这个损失差距 最后公式可以演变成 - log Q(x)

一句话来说，交叉熵的损失值只关注了正确分类的差距

验证

自己实现了一下softmax和cross_loss，验证下上述理论的正确性，那就要介绍下torch.nn.CrossEntropyLoss

CrossEntropyLoss 输入输出介绍

可以翻看官网介绍

CLASStorch.nn.CrossEntropyLoss(weight=None, size_average=None, ignore_index=- 100, reduce=None, reduction=‘mean’, label_smoothing=0.0)

reduction是指损失计算方式，默认取平均mean，同时支持none，sum ，分别表示每一个损失不做其他操作、所有损失求求和

计算是target 的shape支持直接输入具体值，或者是索引形式，举个例子：
预测值： [0.8, 0.5, 0.2, 0.5]
target可以是 [1, 0, 0, 0] 或者索引形式 0

多样本也同样：
预测值：
[[0.8, 0.5, 0.2, 0.5],
[0.2, 0.9, 0.3, 0.2],
[0.4, 0.3, 0.7, 0.1],
[0.1, 0.2, 0.4, 0.8]]
target 可以是：

• 列表形式 torch.tensor([[1, 0, 0, 0],
  [0, 1, 0, 0],
  [0, 0, 1, 0],
  [0, 0, 0, 1]], dtype=torch.float)
• 索引形式： torch.tensor([0,1, 1, 3], dtype=torch.long)

验证代码

def soft_max(x):x_exp = torch.exp(x)partition = x_exp.sum(1, keepdim=True)# 广播partitionreturn x_exp / partition
def cross_entropy(y, y_hat):x = y_hat[range(len(y_hat)), y]print("取出对应元素:", x, '真实label:', y)return -torch.log(x)y = torch.tensor([0, 2])y_hat = torch.tensor([[0.1, 0.3, 0.6], [0.3, 0.2, 0.5]])y_hat_softmax = soft_max(y_hat)print(y_hat_softmax)out = cross_entropy(y, y_hat_softmax)print('手动计算的损失', out)cr_loss = torch.nn.CrossEntropyLoss(reduction="none")out = cr_loss(y_hat, y)print('公式计算的损失', out)

输出如下：

手动计算的损失 tensor([1.3533, 0.9398])
公式计算的损失 tensor([1.3533, 0.9398])

结果一致，可以验证无问题