gpt4 book ai didi

交叉熵损失CrossEntropyLoss

转载 作者:我是一只小鸟 更新时间:2023-02-20 14:31:51 25 4
gpt4 key购买 nike

  。


在各种深度学习框架中,我们最常用的损失函数就是交叉熵,熵是用来描述一个系统的混乱程度,通过交叉熵我们就能够确定预测数据与真实数据的相近程度。交叉熵越小,表示数据越接近真实样本.

回到顶部

1 分类任务的损失计算

1.1 单标签分类

二分类 。

  单标签任务,顾名思义,每个样本只能有一个标签,比如ImageNet图像分类任务,或者MNIST手写数字识别数据集,每张图片只能有一个固定的标签。二分类是多分类任务中的一个特例,因为二分类只有正样本和负样本,并且两者的概率之和为1,所以不需要预测一个向量,只需要输出一个概率值就好了。损失函数一般是输出经过sigmoid激活函数之后,采用交叉熵损失函数计算loss.

  以上面猫狗二分类任务为例,网络最后一层的输出应该理解为:网络认为图片中含有这一类别物体的概率。而每一类的真实标签都只有两种可能值,即“不是这一类物体”和“是这一类物体”,这是一个二项分布,可能的取值为0或者1,而网络预测的分布可以理解为标签是1的概率。当网络的输出logits=2时,经过sigmoid得到为狗的概率是0.9,交叉熵损失loss=-1×log(0.9) - 0×log(0.1) ≈ 0.1.

多分类 。

  在多分类任务中,利用softmax函数将多个神经元(神经元数目为类别数)输出的结果映射到对于总输出的占比(范围0~1,占比可以理解成概率值),我们通过选择概率最大输出类别作为预测类别.

 上面为三分类任务,输出的logits向量对应三个类别,经过softmax后得到三个和为1的概率[0.9,0.1,0]。样本“剪刀”对应的真实分布为[1,0,0],此时计算损失函数得loss = -1*log(0.9) - 0×log(0.1) - 0×log(0) ≈ 0.1。如果网络输出的概率为[0.1,0.9,0],此时的交叉熵损失为loss= -1*log(0.1) - 0×log(0.9) - 0×log(0)= 1。上述两种情况对比,第一个分布的损失明显低于第二个分布的损失,说明第一个分布更接近于真实分布,事实也确实是这样.

1.2 多标签分类

多标签分类任务,即 一个样本可以有多个标签 ,比如一张图片中同时含有“猫”和“狗”,这张图片就同时拥有属于“猫”和“狗”的两种标签。在这种情况下,我们将函数作为网络最后一层的输出,把网络最后一层的每个神经元都看做任务中的一个类别,以图像识别任务为例,网络最后一层的输出应该理解为:网络认为图片中含有这一类别物体的概率。而每一类的真实标签都只有两种可能值,即“图片中含有这一类物体”和“图片中不含有这一类物体”,这是一个二项分布。综上所述,对多分类任务中的每一类单独分析的话,真实分布是一个二项分布,可能的取值为0或者1,而网络预测的分布可以理解为标签是1的概率。此外,由于多标签分类任务中,每一类是相互独立的,所以网络最后一层神经元输出的概率值之和并不等于1.

上面的多标签分类任务有三个标签:狗,猫,猪。输入图片中没有猪,所以真实分布应该为:[ 1, 1, 0 ] .

假设经过右图的网络输出的概率分布为:[ 0.95, 0.73, 0.05],则我们可以对狗,猫,猪这三类都计算交叉熵损失函数,然后将它们相加就得到这一张图片样本的交叉熵损失函数值.

loss狗=-1×log(0.95)-(1-1)×log(1-0.95)≈0.05 。

loss猫=-1×log(0.73)-(1-1)×log(1-0.73)≈0.31 。

loss猪=-0×log(0.05)-(1-0)×log(1-0.05)≈0.05 。

loss总=loss狗+loss猫+loss猪=0.05+0.31+0.05=0.41 。

假设经过右图的网络输出的概率分布为:[ 0.3, 0.5, 0.7],交叉熵损失损失为 。

loss狗=-1×log(0.3)-(1-1)×log(1-0.3)≈1.2 。

loss猫=-1×log(0.5)-(1-1)×log(1-0.5)≈0.7 。

loss猪=-0×log(0.7)-(1-0)×log(1-0.7)≈1.2 。

loss总=loss狗+loss猫+loss猪=1.2+0.7+1.2=3.1 。

由上面两种情况也可以看出,预测分布越接近真实分布,交叉熵损失越小,预测分布越远离真实分布,交叉熵损失越大.

回到顶部

2 损失函数的pytorch实现

Pytorch关于损失函数的内容,可以在官方文档 torch.nn — PyTorch 1.10 documentation 里找到.

2.1 nn.BCEloss

BCEloss主要用于计算 标签只有1或者0时的二分类损失 ,标签和预测值是一一对应的。需要注意的是,通过nn.BCEloss来计算损失前,需要对预测值进行一次sigmoid计算。sigmoid函数会将预测值映射到0-1之间。如果觉得手动加sigmoid函数麻烦,可以直接调用 nn.BCEwithlogitsloss .

                          # class
torch.nn.BCELoss(weight=None, size_average=None, reduce=None, reduction='mean')

# function
torch.nn.functional.binary_cross_entropy(input, target, weight=None, size_average=None, reduce=None, reduction='mean')
                        
  • input ( Tensor ) – 任意维度的张量 。

  • target ( Tensor ) – 和输入一样的shape,但值必须在0-1之间 。

  • weight ( Tensor , optional ) – 人为给定的权重 。

  • size_average ( bool , optional ) – 已弃用 。

  • reduce ( bool , optional ) – 已弃用 。

  • reduction ( str , optional ) – none :求 minibatch 中每个sample的loss值,不做归并; mean :对 minibatch 中所有sample 的loss值求平均; sum :对 minibatch 中所有sample的loss值求和.

当 reduction = none时, 。

其中N表示batch_size,若reduction不为none时, 。

示例 。

                          import numpy as np
import torch
import torch.nn.functional as F

input = torch.Tensor([[0.6, 0.1], [0.3, 0.8]])
target = torch.Tensor([[0, 1], [1, 0]])

loss = F.binary_cross_entropy(input, target)  
# loss : tensor(1.5081)

loss = torch.sum(-(target * torch.log(input) + (1 - target) * torch.log(1 - input))) / 4 
# loss : tensor(1.5081)

loss = -(np.log(0.4) + np.log(0.1) + np.log(0.3) + np.log(0.2)) / 4  
# 1.5080716354070594

loss = F.binary_cross_entropy(torch.sigmoid(input), target)
# loss : tensor(0.8518)

loss = F.binary_cross_entropy_with_logits(input, target)
# loss : tensor(0.8518)
                        

2.2 nn.CrossEntropyLoss

使用神经网络模型时,调整输出层的单元数,当进行 n分类(n>2) 时,设置输出层的单元数为n,采用softmax损失函数(把输出层整体转换为0-1之间的概率分布)+多分类交叉熵损失。把标签转换为one-hot向量,每个样本的标签是一个n维向量,其所属类别位置为1,其余位置为0.

                          #CLASS
torch.nn.CrossEntropyLoss(weight=None, size_average=None, ignore_index=- 100, reduce=None, reduction='mean', label_smoothing=0.0)

#FUNCTION
torch.nn.functional.cross_entropy(input, target, weight=None, size_average=None, ignore_index=- 100, reduce=None, reduction='mean', label_smoothing=0.0)
                        
  • input (Tensor)–在2D情况下输入尺寸为(N, C, H, W),在K≥1时,输入尺寸为 (N, C, d1, d2, ..., dK) 。
  • target (Tensor)- 其中每个值是 0≤target[i]≤​​​​​​​C-1 , 在K≥1时,target的尺寸为 (N, d1, d2, ..., dK)
  • weight (Tensor,optional) – 对每个类别的手动重新缩放权重。如果给定,则必须是大小为C的张量
  • size_average (bool,optional) – 不推荐使用。默认:True
  • ignore_index ( int,optional) – 指定一个被忽略且对输入梯度没有贡献的目标值。当size_average为 时 True,损失在未忽略的目标上取平均值。默认值:-100
  • reduce ( bool,optional) – 不推荐使用。默认:True
  • reduction (string,optional) – 指定应用于输出的缩减: 'none'| 'mean'| 'sum'. 'none': 不会应用减少, 'mean': 输出的总和将除以输出中的元素数, 'sum': 输出将被求和。注意:size_average 和reduce正在被弃用,同时,指定这两个参数中的任何一个都将覆盖reduction. 默认:'mean'
                        
                            cross_entropy的pytorch实现  
                        
                      
                          def cross_entropy(input, target, weight=None, size_average=None, ignore_index=-100, reduce=None, reduction='mean'):
    if size_average is not None or reduce is not None:
        reduction = _Reduction.legacy_get_string(size_average, reduce)
    return nll_loss(log_softmax(input, 1), target, weight, None, ignore_index, None, reduction)
                        

可以看出 softmax + log + NLLloss = crossEntropyLoss .

  • softmax

多分类问题(分类种类为c个)在经过输出层的计算后,会产生c个输出x,softmax的作用就是将输出x转化为和为1的概率问题。它是二分类函数sigmoid在多分类上的推广,目的是将多分类的结果以概率的形式展现出来。其定义如下:

  概率是非负且和为1的,因此softmax首先将模型的预测结果转化到指数函数上,这样 保证了概率的 非负性 。再将转换后的结果归一化处理, 使得各预测结果的 概率之和等于1 。比如三分类预测结果为[3,1,-3],求指数得[20.09,2.72,0.05],归一化后得[0.88,0.12,0].

当输入x中存在特别大的xi 时,exp(xi) 会变得很大,导致出现 上溢 的情况。 当输入x中每个元素都为特别小的负数时,分母 会变得很小,超出精度范围时向下取0,导致 下溢 .

  • log_softmax

log_softmax是指在softmax函数的基础上再进行一次log运算,当x再0-1之间时,log(x)值在负无穷到0之间.

其中zmax是输入z中的最大值, 对于任何一个zi,减去zmax后 , exp(zi-zmax)的最大值为1,所以不会发生上溢。而∑exp(zi-zmax)中至少有一项值为1, 避免了计算log(0) ,也 解决了下溢的情况.

  • NLLloss

NLLloss输入是一个 对数概率向量 和一个 目标标签 ,也就是将上面的输出中与label对应的那个值拿出来,去掉负号再求均值。 不用对label进行one_hot编码 ,因为nll_loss函数已经实现了类似one-hot过程:直接在log(softmax(input))矩阵中,取出每个样本的target值对应的下标位置(该位置在onehot中为1,其余位置在onehot中为0).

示例 NLLloss 。

                          import torch
import torch.nn.functional as F

# 1D
input = torch.Tensor([[2, 3, 1], [3, 7, 9]])
target = torch.tensor([1, 2])
loss = F.nll_loss(input, target)
#loss: tensor(-6.)

# 2D
input = torch.Tensor([[[2, 3],
                       [1, 5]],
                      [[3, 7],
                       [1, 9]]])
target = torch.tensor([[1, 1],
                       [0, 0]])
loss = F.nll_loss(input, target)
tensor(-4.)
                        

在一维时,nllloss对两个向量的操作为,将input中的向量,在target中对应的index取出,并取负号输出。target中为1,则取2,3,1中的第1位3,target第二位为2,则取出3,7,9的第2位9,将两数取平均(当 reduction='mean'时) 后加负号后输出。在二维时(输入是图片),loss=[(-3)+(-7)+(-1)+(-5)]/4 = -4.

回到顶部

3 损失函数的weight参数

损失函数中的weight参数用于 调节不同类别样本占比差异很大的现象 ,比如语义分割中,背景的像素比缺陷的像素多很多,在计算loss的时候两类别loss直接相加会导致模型对背景的过拟合。在分类中,ok的样本过多而ng样本过少,当它们的比值大于10的时候要考虑样本不平衡问题。假设有两类,标签类别为0, 1,所对应的样本数量为1000,10。在网络学习的过程中,假设预测出来的标签都是0(100000个样本),它的准确率为1000/1010 ≈ 0.99,将近100%,所以模型就会朝着拟合标签0的方向更新,导致对标签0的样本过拟合,对1类别的样本欠拟合,泛化能力很差.

如何解决?

  • 对于训练图像数量较少的类,给它更多的权重,这样如果网络在预测这些类的标签时出错,就会受到更多的惩罚。
  • 对于具有大量图像的类,可以赋予它较小的权重。

3.1  cross_entropy函数中的weight参数

cross_entropy函数中的weight参数可以在分类问题中给不同的类别不同的权重.

示例 cross_entropy函数中的weight参数 。

                          import torch
import torch.nn.functional as F
input = torch.Tensor([[[1, 2], [3, 5]], [[4, 7], [4, 6]]])  # torch.Size([2, 2, 2])
target = torch.tensor([[0, 0], [1, 1]])  # torch.Size([2, 2])
weight = torch.tensor([1.0, 9.0])
loss = F.cross_entropy(input, target)  # tensor(1.7955)
loss = F.cross_entropy(input, target, weight) # tensor(1.1617)
                        

 3.2 binary_cross_entropy函数中的weight参数

pytorch官方对weight给出的解释是“如果提供,则重复该操作以匹配输入张量形状”,也就是说给出weight参数后,会将其shape和input的shape相匹配。默认情况,也就是weight=None时,上述公式中的Wn=1;当weight!=None时,也就意味着我们 需要为每一个样本赋予权重Wi .

 示例 binary_cross_entropy函数中的weight参数 。

                          import torch
import torch.nn.functional as F

input = torch.rand(3, 3)  
target = torch.rand(3, 3).random_(2)
w = [0.1, 0.9] # 标签0和标签1的权重
weight = torch.zeros(target.shape)  # 权重矩阵
for i in range(target.shape[0]):
    for j in range(target.shape[1]):
        weight[i][j] = w[int(target[i][j])]
loss = F.binary_cross_entropy(input, target, weight=weight)

"""
# input
tensor([[0.1531, 0.3302, 0.7537],
        [0.2200, 0.6875, 0.2268],
        [0.5109, 0.5873, 0.9275]])
# target
tensor([[1., 0., 0.],
        [0., 0., 1.],
        [0., 1., 0.]])
# weight
tensor([[0.9000, 0.1000, 0.1000],
        [0.1000, 0.1000, 0.9000],
        [0.1000, 0.9000, 0.1000]])
# loss
tensor(0.4621)
"""
                        
回到顶部

4 在二分类任务中输出1通道后sigmoid还是输出2通道softmax?

当语义分割任务是 二分类 时,有两种情况 (1)最后一个卷积层直接输出1通道的feature map,做 sigmoid 后用binary_cross_entropy函数计算损失(2)最后一个卷积层输出2channel的feature map,在通道维度做 softmax ,然后利用cross_entropy计算损失。 这两种方法哪一个更好?

4.1 理论

知乎链接: https://www.zhihu.com/question/295247085/answer/1778398778

首先我们先理论上证明一下二者没有本质上的区别 ,对于二分类而言(以输入x1 为例):

Sigmoid函数:

Softmax函数:

令(x1-x2)=z,和公式(1)完全相同,所以理论上来说两者是没有任何区别的.

4.2 实验

代码: WZMIAOMIAO / deep-learning-for-image-processing / pytorch_segmentation / unet / 。

DRIVE数据集: https://pan.baidu.com/s/1Tjkrx2B9FgoJk0KviA-rDw  密码: 8no8 。

视频讲解: https://www.bilibili.com/video/BV1Vq4y127fB 。

使用Up主 霹雳吧啦Wz 的UNet代码测试,源代码输出2通道后进行softmax。对网络进行以下改动,将其改为输出1通道,并使用相同的评价指标.

损失部分 。

                          # 二通道损失计算
def criterion(inputs, target, loss_weight=None, num_classes: int = 2, dice: bool = False, ignore_index: int = -100):
    losses = {}
    for name, x in inputs.items():
        # 忽略target中值为255的像素,255的像素是目标边缘或者padding填充
        loss = nn.functional.cross_entropy(x, target, ignore_index=ignore_index, weight=loss_weight)
        losses[name] = loss

    if len(losses) == 1:
        return losses['out']
    return losses['out'] + 0.5 * losses['aux']

# 一通道损失计算
def criterion(inputs, target, loss_weight=None, num_classes: int = 2, dice: bool = False, ignore_index: int = -100):
    losses = {}
    for name, x in inputs.items():
        # 将不关心区域(255)置为0
        roi_mask = torch.eq(target, ignore_index)
        target[roi_mask] = 0
                          
     # reshape后target和x维度相同 target = target.reshape(-1).float() x = x.reshape(-1).float() loss = nn.functional.binary_cross_entropy_with_logits(x, target) losses[name] = loss if len(losses) == 1: return losses['out'] return losses['out'] + 0.5 * losses['aux']

评价指标 。

                          #二通道
def evaluate(model, data_loader, device, num_classes):
    model.eval()
    metric_logger = utils.MetricLogger(delimiter="  ")
    header = 'Test:'
    with torch.no_grad():
        for image, target in metric_logger.log_every(data_loader, 100, header):
            image, target = image.to(device), target.to(device)
            output0 = model(image)['out']
            output1 = torch.softmax(output0, dim=1)
            output2 = output1.argmax(dim=1).float() #只计算前景的dice_coeff
            target = target.float()
            dice = dice_coeff(output2, target, ignore_index=255)

    return dice.item()

#一通道
def evaluate(model, data_loader, device, num_classes):
    model.eval()
    dice = utils.DiceCoefficient(num_classes=num_classes, ignore_index=255)
    metric_logger = utils.MetricLogger(delimiter="  ")
    header = 'Test:'
    with torch.no_grad():
        for image, target in metric_logger.log_every(data_loader, 100, header):
            image, target = image.to(device), target.to(device)
            output = model(image)['out'] # 输出的是0-1之间的概率
            output[output > 0.5] = 1
            output[output < 1] = 0
            target = target.float()
            dice = dice_coeff(output, target, ignore_index=255)

                        

predict 。

                          # 二通道
...
output = model(img.to(device))
prediction = output['out'].argmax(1).squeeze(0)
prediction = prediction.to("cpu").numpy().astype(np.uint8)
# 将前景对应的像素值改成255(白色)
prediction[prediction == 1] = 255
# 将不感兴趣的区域像素设置成0(黑色)
prediction[roi_img == 0] = 0
mask = Image.fromarray(prediction)

# 一通道
...
output = model(img.to(device))
prediction = torch.sigmoid(output['out']).squeeze(0).squeeze(0)
prediction = prediction.to("cpu").numpy()
# 将前景对应的像素值改成255(白色)
prediction[prediction > 0.5] = 1
prediction[prediction < 1] = 0
# 将不感兴趣的区域像素设置成0(黑色)
prediction[roi_img == 0] = 0
mask = Image.fromarray((prediction*255).astype(np.uint8)) 
                        

batch_size取16,不使用dice_loss,训练150epoch后,效果差不多.

  。

  。

  。

  。

参考 。

1.  PyTorch master documentation 。

2. t orch的交叉熵损失函数(cross_entropy)计算 。

3.  带权重的损失函数nn.crossEntropyLoss中的weight使用 。

4.  一文搞懂F.binary_cross_entropy以及weight参数 。

5.  Cross-entropy 和 Binary cross-entropy 。

6.   交叉熵损失函数(Cross Entropy Loss) 。

7.  二分类问题,应该选择sigmoid还是softmax?

最后此篇关于交叉熵损失CrossEntropyLoss的文章就讲到这里了,如果你想了解更多关于交叉熵损失CrossEntropyLoss的内容请搜索CFSDN的文章或继续浏览相关文章,希望大家以后支持我的博客! 。

25 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com