最近做显著星检测用到了NLL损失函数
对于NLL函数，需要自己计算log和softmax的概率值，然后从才能作为输入
输入 [batch_size, channel , h, w]
目标 [batch_size, h, w]
输入的目标矩阵，每个像素必须是类型.举个例子。第一个像素是0，代表着类别属于输入的第1个通道；第二个像素是0，代表着类别属于输入的第0个通道，以此类推。
|
1
2
3
4
5
6
7
8
9
|
x = Variable(torch.Tensor([[[1, 2, 1], [2, 2, 1], [0, 1, 1]], [[0, 1, 3], [2, 3, 1], [0, 0, 1]]]))x = x.view([1, 2, 3, 3])print("x输入", x) |
这里输入x，并改成[batch_size, channel , h, w]的格式。
soft = nn.Softmax(dim=1)
log_soft = nn.LogSoftmax(dim=1)
然后使用softmax函数计算每个类别的概率，这里dim=1表示从在1维度
上计算，也就是channel维度。logsoftmax是计算完softmax后在计算log值
手动计算举个栗子：第一个元素
|
1
2
3
4
5
|
y = Variable(torch.LongTensor([[1, 0, 1], [0, 0, 1], [1, 1, 1]]))y = y.view([1, 3, 3]) |
输入label y，改变成[batch_size, h, w]格式
|
1
2
3
|
loss = nn.NLLLoss2d()out = loss(x, y)print(out) |
输入函数，得到loss=0.7947
来手动计算
第一个label=1，则 loss=-1.3133
第二个label=0， 则loss=-0.3133
|
1
2
3
4
|
.……loss= -(-1.3133-0.3133-0.1269-0.6931-1.3133-0.6931-0.6931-1.3133-0.6931)/9 =0.7947222222222223 |
是一致的
注意：这个函数会对每个像素做平均，每个batch也会做平均，这里有9个像素，1个batch_size。
补充知识：PyTorch：NLLLoss2d
我就废话不多说了，大家还是直接看代码吧~
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
|
import torchimport torch.nn as nnfrom torch import autogradimport torch.nn.functional as F inputs_tensor = torch.FloatTensor([[[2, 4], [1, 2]],[[5, 3], [3, 0]],[[5, 3], [5, 2]],[[4, 2], [3, 2]], ])inputs_tensor = torch.unsqueeze(inputs_tensor,0)# inputs_tensor = torch.unsqueeze(inputs_tensor,1)print '--input size(nBatch x nClasses x height x width): ', inputs_tensor.shape targets_tensor = torch.LongTensor([ [0, 2], [2, 3]]) targets_tensor = torch.unsqueeze(targets_tensor,0)print '--target size(nBatch x height x width): ', targets_tensor.shape inputs_variable = autograd.Variable(inputs_tensor, requires_grad=True)inputs_variable = F.log_softmax(inputs_variable)targets_variable = autograd.Variable(targets_tensor) loss = nn.NLLLoss2d()output = loss(inputs_variable, targets_variable)print '--NLLLoss2d: {}'.format(output) |
以上这篇Pytorch损失函数nn.NLLLoss2d()用法说明就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持服务器之家。
原文链接：https://blog.csdn.net/zhaowangbo/article/details/88821017
