约torch.nn.CrossEntropyLoss参数形状

我学习pytorch，并采取ANPR项目，这是基于tensorflow （https://github.com/matthewearl/deep-anpr， http://matthewearl.github.io/2016/05/06/cnn-anpr/）作为练习，移植它pytorch平台。约torch.nn.CrossEntropyLoss参数形状

有一个问题，我使用nn.CrossEntropyLoss（）作为损失函数：准则= nn.CrossEntropyLoss（）

模型的output.data是：

1.00000e -02 *
2.5552 2.7582 2.5368 ... 5.6184 1.2288 -0.0076
0.7033 1.3167 -1.0966 ... 4.7249 1.3217 1.8367
0.7592 1.4777 1.8095 ... 0.8733 1.2417 1.1521
0.1040 -0.7054 -3.4862 ... 4.7703 2.9595 1.4263

和targets.data [大小4x253的torch.FloatTensor]是：

1 0 0 ... 0 0 0
1 0 0 ... 0 0 0
1 0 0 ... 0 0 0
1 0 0 ... 0 0 0
[大小4x253的torch.DoubleTensor]

当我打电话：损耗=标准（输出，目标）

发生错误，信息是：类型错误：FloatClassNLLCriterion_updateOutput接收的参数无效的组合 - 得到（int，torch.FloatTensor，torch.DoubleTensor，torch.FloatTensor，bool，NoneType，torch.FloatTensor），但预计（int state，torch.FloatTensor input，torch.LongTensor target，torch.FloatTensor output， bool sizeAverage，[torch.FloatTensor weight or None]，torch.FloatTensor total_w为八个）

'预计torch.LongTensor' ...... '有torch.DoubleTensor'，但如果我转换指标纳入LongTensor： torch.LongTensor（numpy.array（targets.data.numpy（），numpy.long））

呼叫损失=标准（输出，目标），错误是：

RuntimeError：在/数据/使用者/ soumith/miniconda2 /康达-BLD/pytorch多目标不支持-0.1.10_1488752595704/work/torch/lib/THNN/generic/ClassNLLCriterion.c：20

我上次的练习是mnist，来自pytorch的一个例子，我做了一些修改，batch_size是4，损耗函数：损耗= F.nll_loss（输出，标签） outputs.data：

-2.3220 -2.1229 -2.3395 -2.3391 -2.5270 -2.3269 -2.1055 -2.2321 -2.4943 -2.2996

-2.3653 -2.2034 -2.4437 -2.2708 -2。5114 -2.3286 -2.1921 -2.1771 -2.3343 -2.2533

-2.2809 -2.2119 -2.3872 -2.2190 -2.4610 -2.2946 -2.2053 -2.3192 -2.3674 -2.3100

-2.3715 -2.1455 -2.4199 -2.4177 -2.4565 - 2.2812 -2.2467 -2.1144 -2.3321 -2.3009

[尺寸为4×10的torch.FloatTensor]

labels.data：

[大小的torch.LongTensor 4]

标签，对于输入图像，必须是单一元件，在上面的示例，存在是253个数字，在'mnist'中只有一个数字，输出的形状与标签不同。

我回顾了tensorflow手册，tf.nn.softmax_cross_entropy_with_logits， 'Logits和标签必须具有相同的形状[batch_size，num_classes]和相同的dtype（float32或float64）。

pytorch是否支持tensorflow中的相同功能？

许多THKS

来源

2017-04-14 dablyo

你可以转换你有一个明确的表示目标。在你提供的例子中，如果类是0,0 1 0 0，你将有1 0 0 0 ..如果类是1 0 0 1 0 0 0 ...如果类是2等我能想到的一个快速方法是首先将目标张量转换为一个numpy数组，然后将其从一个热转换为一个分类数组，然后将其转换回pytorch张量。事情是这样的：

targetnp=targets.numpy() 
idxs=np.where(targetnp>0)[1] 
new_targets=torch.LongTensor(idxs) 
loss=criterion(output,new_targets)

来源

2017-05-05 19:18:35

CrossEntropyLoss相当于tf.nn.softmax_cross_entropy_with_logits。 CrossEntropyLoss的输入是shape [batch_size]的分类向量。使用.view()更改张量形状。

labels = labels.view(-1) output = output.view(labels.size(0), -1) loss = criterion(output, loss)

调用.view(x, y, -1)导致张量使用剩余的数据点，以填补-1尺寸，如果没有足以让全尺寸

labels.size(0)会导致错误给出了零的大小的张量label

附加的尺寸

要在张量类型之间进行转换，您可以调用张量上的类型，例如'labels = labels'。长（）`

第二附加

如果从像这样output.data变量解开数据，那么你将失去该输出的梯度，并不能backprop在时机成熟时

来源

2017-12-05 12:40:12 Oliver

约torch.nn.CrossEntropyLoss参数形状

回答

相关问题