machine-learning - pytorch中的自定义交叉熵损失

Question

我已经完成了 pytorch 交叉熵损失函数的自定义实现(因为我需要稍后介绍更多的灵 active )。我打算用它来训练的模型将需要大量的时间来训练，并且可用的资源不能仅用于测试该功能是否正确实现。我已经实现了矢量化实现，因为它运行得更快。

以下是我的代码:

def custom_cross(my_pred,true,batch_size=BATCH_SIZE):
    loss= -torch.mean(torch.sum(true.view(batch_size, -1) * torch.log(my_pred.view(batch_size, -1)), dim=1))
    return loss

如果您能建议一种更优化的实现，或者如果我在当前的实现中犯了错误，我将非常感激。该模型将使用 Nvidia Tesla K-80 进行训练。

Answer 1

如果您只需要cross entropy您可以利用 PyTorch 定义的优势。

import torch.nn.functional as F
loss_func = F.cross_entropy

suggest a more optimized implementation

PyTorch 具有 F. 损失函数，但您可以使用纯 Python 轻松编写自己的损失函数。PyTorch 将自动为您的函数创建快速 GPU 或矢量化 CPU 代码。

所以，你可以检查 PyTorch 的原始实现，但我认为是这样的:

def log_softmax(x):
    return x - x.exp().sum(-1).log().unsqueeze(-1)

和here是交叉熵损失的原始实现，现在您可以更改:

nll_loss(log_softmax(input, 1), target, weight, None, ignore_index, None, reduction)

你需要的东西，你就拥有了。