pytorch中的多标签分类

Question

我有一个多标签分类问题。我有11个类，大约4k个例子。每个示例可以有1到4-5个标签。目前，我正在使用log_loss分别为每个类训练一个分类器。正如你所期望的，训练11个分类器需要相当多的时间，我想尝试另一种方法，只训练1个分类器。其思想是，这个分类器的最后一层将有11个节点，并将按类输出实数，该实数将被sigmoid转换为proba。我想要优化的损失是所有类的log_loss的平均值。

不幸的是，我是pytorch的新手，即使通过阅读损失的源代码，我也不能确定现有的损失是否完全符合我的要求，或者我是否应该创建一个新的损失，如果是这样的话，我真的不知道该怎么做。

更具体地说，我希望为批次的每个元素提供一个大小为11的向量(每个标签包含一个实数(越接近无穷大，该类预测为1))，以及一个大小为11的向量(每个真标签包含1)，并能够计算所有11个标签的平均log_loss，并基于该损失优化我的分类器。

任何帮助都将不胜感激:)

Answer 1

您正在寻找torch.nn.BCELoss。示例代码如下：

import torch

batch_size = 2
num_classes = 11

loss_fn = torch.nn.BCELoss()

outputs_before_sigmoid = torch.randn(batch_size, num_classes)
sigmoid_outputs = torch.sigmoid(outputs_before_sigmoid)
target_classes = torch.randint(0, 2, (batch_size, num_classes))  # randints in [0, 2).

loss = loss_fn(sigmoid_outputs, target_classes)

# alternatively, use BCE with logits, on outputs before sigmoid.
loss_fn_2 = torch.nn.BCEWithLogitsLoss()
loss2 = loss_fn_2(outputs_before_sigmoid, target_classes)
assert loss == loss2