NLLLoss

NLLLoss就是负对数似然(negative log likelihood loss)

计算公式：
$$nllloss=-\sum _{n=1}^N{y}_n\log prob(x_n)$$

举个例子就是：

x=[0.1,0.2,-0.7]
y=[0,1,0]
计算过程就是：对x进行softmax转换成概率，然后对每一个值取log，再乘以标签
-log(softmax(x))*y

我们详细看代码：

定义变量

import torch
batch_size=5
num_classes=6
outputs=torch.randn(batch_size,num_classes)#outputs表示模型的最后输出，还未经过归一化
targets=[2,0,5,1,2]#标签
targets=torch.LongTensor(targets)

不使用库函数

one_hot_targets=[[0,0,1,0,0,0],
                [1,0,0,0,0,0],
                [0,0,0,0,0,1],
                [0,1,0,0,0,0],
            [0,0,1,0,0,0]]
one_hot_targets=torch.LongTensor(one_hot_targets)
loss=-torch.sum(torch.nn.functional.log_softmax(outputs,dim=1)*one_hot_targets)/batch_size
print(loss)

我们看到损失值是1.9249。

使用torch.nn.functional.nll_loss

loss=torch.nn.functional.nll_loss(torch.log_softmax(outputs,dim=1),targets)
print(loss)

我们看到，也就是说NLLLoss做的事情就是:

• 将targets转成one_hot形式
• 将inputs和one_hot targets点乘
• 点乘后将所有值相加，然后除以batch_size

就是这么简单，functioanl.nll_loss和torch.nn.NLLLoss是一样的

使用torch.nn.CrossEntropyLoss和torch.nn.NLLLoss

总结

归根到底，就是这一行代码：

loss=-torch.sum(torch.nn.functional.log_softmax(outputs,dim=1)*one_hot_targets)/batch_size

没什么难点的。
需要注意的是，上式千万不要用torch,mean代替torch.sum()/batch_size
因为torch.mean()是将所有的值相加之后除以的是batch_size*num_classes