时间:2021-05-22
最近做显著星检测用到了NLL损失函数
对于NLL函数,需要自己计算log和softmax的概率值,然后从才能作为输入
输入 [batch_size, channel , h, w]
目标 [batch_size, h, w]
输入的目标矩阵,每个像素必须是类型.举个例子。第一个像素是0,代表着类别属于输入的第1个通道;第二个像素是0,代表着类别属于输入的第0个通道,以此类推。
x = Variable(torch.Tensor([[[1, 2, 1], [2, 2, 1], [0, 1, 1]], [[0, 1, 3], [2, 3, 1], [0, 0, 1]]]))x = x.view([1, 2, 3, 3])print("x输入", x)这里输入x,并改成[batch_size, channel , h, w]的格式。
soft = nn.Softmax(dim=1)
log_soft = nn.LogSoftmax(dim=1)
然后使用softmax函数计算每个类别的概率,这里dim=1表示从在1维度
上计算,也就是channel维度。logsoftmax是计算完softmax后在计算log值
手动计算举个栗子:第一个元素
y = Variable(torch.LongTensor([[1, 0, 1], [0, 0, 1], [1, 1, 1]]))y = y.view([1, 3, 3])输入label y,改变成[batch_size, h, w]格式
loss = nn.NLLLoss2d()out = loss(x, y)print(out)输入函数,得到loss=0.7947
来手动计算
第一个label=1,则 loss=-1.3133
第二个label=0, 则loss=-0.3133
.……loss= -(-1.3133-0.3133-0.1269-0.6931-1.3133-0.6931-0.6931-1.3133-0.6931)/9 =0.7947222222222223是一致的
注意:这个函数会对每个像素做平均,每个batch也会做平均,这里有9个像素,1个batch_size。
补充知识:PyTorch:NLLLoss2d
我就废话不多说了,大家还是直接看代码吧~
import torchimport torch.nn as nnfrom torch import autogradimport torch.nn.functional as F inputs_tensor = torch.FloatTensor([[[2, 4], [1, 2]],[[5, 3], [3, 0]],[[5, 3], [5, 2]],[[4, 2], [3, 2]], ])inputs_tensor = torch.unsqueeze(inputs_tensor,0)# inputs_tensor = torch.unsqueeze(inputs_tensor,1)print '--input size(nBatch x nClasses x height x width): ', inputs_tensor.shape targets_tensor = torch.LongTensor([ [0, 2], [2, 3]]) targets_tensor = torch.unsqueeze(targets_tensor,0)print '--target size(nBatch x height x width): ', targets_tensor.shape inputs_variable = autograd.Variable(inputs_tensor, requires_grad=True)inputs_variable = F.log_softmax(inputs_variable)targets_variable = autograd.Variable(targets_tensor) loss = nn.NLLLoss2d()output = loss(inputs_variable, targets_variable)print '--NLLLoss2d: {}'.format(output)以上这篇Pytorch损失函数nn.NLLLoss2d()用法说明就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持。
声明:本页内容来源网络,仅供用户参考;我单位不保证亦不表示资料全面及准确无误,也不保证亦不表示这些资料为最新信息,如因任何原因,本网内容或者用户因倚赖本网内容造成任何损失或损害,我单位将不会负任何法律责任。如涉及版权问题,请提交至online#300.cn邮箱联系删除。
pytorch中的2D卷积层和2D反卷积层函数分别如下:classtorch.nn.Conv2d(in_channels,out_channels,kernel
下面介绍jquery字符串切割函数substring的用法 代码如下:jquery字符串切割函数substring的用法说明
卷积在pytorch中有两种实现,一种是torch.nn.Conv2d(),一种是torch.nn.functional.conv2d(),这两种方式本质都是执
路径:https://pytorch.org/docs/master/nn.init.html#nn-init-doc初始化函数:torch.nn.init#-
先看Pytorch中的卷积classtorch.nn.Conv2d(in_channels,out_channels,kernel_size,stride=1,