交叉熵(Cross Entropy loss)

交叉熵

分类问题常用的损失函数为交叉熵（Cross Entropy Loss）。 交叉熵描述了两个概率分布之间的距离，交叉熵越小说明两者之间越接近。 原理这篇博客介绍的简单清晰： https://blog.csdn.net/xg123321123/article/details/52864830 总结：　熵是信息量的期望值，它是一个随机变量的确定性的度量。 熵越大，变量的取值越不确定；反之，熵越小，变量取值就越确定。 熵与概率的关系如图： 尽管交叉熵刻画的是两个概率分布之间的距离，但是神经网络的输出却不一定是一个概率分布。为此我们常常用Softmax回归将神经网络前向传播得到的结果变成概率分布。

总之

在分类问题中用交叉熵可以更好的体现loss的同时，使其仍然是个凸函数，这对于梯度下降时的搜索很有用。 反观平方和函数，经过softmax后使得函数是一个非凸函数。

分类问题用 One Hot Label + Cross Entropy Loss Training 过程，分类问题用 Cross Entropy Loss，回归问题用 Mean Squared Error。 validation / testing 过程，使用 Classification Error更直观，也正是我们最为关注的指标。

代码

class CrossEntropy2d(nn.Module): def __init__(self): super(CrossEntropy2d, self).__init__() self.criterion = nn.CrossEntropyLoss(weight=None, size_average=True) def forward(self, out, target): n, c, h, w = out.size() # n:batch_size, c:class out = out.view(-1, c) # (n*h*w, c) target = target.view(-1) # (n*h*w) # print('out', out.size(), 'target', target.size()) loss = self.criterion(out, target) return loss # 调用方式 criterion = loss.CrossEntropy2d() loss = criterion(out, labels)

参考文献：

https://blog.csdn.net/xg123321123/article/details/80781611