交叉熵损失的人工计算

Question

嗨，只是玩代码，我得到了意想不到的结果交叉熵损失权的实现。

pred=torch.tensor([[8,5,3,2,6,1,6,8,4],[2,5,1,3,4,6,2,2,6],[1,1,5,8,9,2,5,2,8],[2,2,6,4,1,1,7,8,3],[2,2,2,7,1,7,3,4,9]]).float()
label=torch.tensor([[3],[7],[8],[2],[5]],dtype=torch.int64)
weights=torch.tensor([1,1,1,10,1,6,1,1,1],dtype=torch.float32)

在这类样本变量下，毕道尔的交叉熵损失为4.7894。

loss = F.cross_entropy(pred, label, weight=weights,reduction='mean')
> 4.7894

我手动实现了交叉熵损失代码，如下所示

one_hot = torch.zeros_like(pred).scatter(1, label.view(-1, 1), 1)
log_prb = F.log_softmax(pred, dim=1)
loss = -(one_hot * log_prb).sum(dim=1).mean()

这种实现在没有权值的情况下，给出了与pytorch交叉熵函数相同的结果。但是有权值

one_hot = torch.zeros_like(pred).scatter(1, label.view(-1, 1), 1)
log_prb = F.log_softmax(pred, dim=1)
loss = -(one_hot * log_prb)*weights.sum(dim=1).sum()/weights.sum()
> 3.9564

它给出了不同的损失值与吡炬模块(4.7894)。我可以粗略估计，我对减肥的理解有一些问题，但我无法找出造成这种差异的确切原因。有人能帮我处理这个问题吗？

Answer 1

我发现了问题。很简单..。我不应该把重量之和除以。与wt.sum()除法(wt=one_hot*weight)相反，我得到了4.7894。

>>> wt = one_hot*weights
>>> loss = -(one_hot * log_prb * weights).sum(dim=1).sum() / wt.sum()
4.7894

分母只是与“相关”的重量值，而不是整体。