Python PyTorch nll_loss用法及代码示例

本文简要介绍python语言中 torch.nn.functional.nll_loss 的用法。

用法:

torch.nn.functional.nll_loss(input, target, weight=None, size_average=None, ignore_index=- 100, reduce=None, reduction='mean')

参数：

• input-(N, C) 其中 C = number of classes 或 (N, C, H, W) 在 2D 损失的情况下，或 (N, C, d_1, d_2, ..., d_K) 其中 K \geq 1 在 K-dimensional 损失的情况下。 input 预计为 log-probabilities。

• target-(N) 其中每个值为 0 \leq \text{targets}[i] \leq C-1 或 (N, d_1, d_2, ..., d_K) 其中 K \geq 1 表示 K-dimensional 损失。

• weight(Tensor,可选的) -给每个类一个手动重新调整的权重。如果给定，则必须是大小为 C 的张量

• size_average(bool,可选的) -已弃用(请参阅reduction)。默认情况下，损失是批次中每个损失元素的平均值。请注意，对于某些损失，每个样本有多个元素。如果字段 size_average 设置为 False ，则会对每个小批量的损失求和。当 reduce 为 False 时忽略。默认值：True

• ignore_index(int,可选的) -指定一个被忽略且不影响输入梯度的目标值。当 size_average 为 True 时，损失是在非忽略目标上的平均值。默认值：-100

• reduce(bool,可选的) -已弃用(请参阅reduction)。默认情况下，根据 size_average 对每个小批量的观察结果进行平均或求和。当 reduce 是 False 时，返回每个批次元素的损失并忽略 size_average 。默认值：True

• reduction(string,可选的) -指定要应用于输出的缩减：'none' | 'mean' | 'sum' 。 'none' ：不应用减少，'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 。默认值：'mean'

负对数似然损失。

有关详细信息，请参阅 NLLLoss 。

例子：

>>> # input is of size N x C = 3 x 5
>>> input = torch.randn(3, 5, requires_grad=True)
>>> # each element in target has to have 0 <= value < C
>>> target = torch.tensor([1, 0, 4])
>>> output = F.nll_loss(F.log_softmax(input), target)
>>> output.backward()