5

我已经完成了 pytorch 交叉熵损失函数的自定义实现（因为我需要更多的灵活性稍后介绍）。我打算用这个训练的模型需要相当长的时间来训练，并且可用的资源不能仅仅用于测试函数是否正确实现。我已经实现了矢量化实现，因为它运行起来会更快。

以下是我的代码：

def custom_cross(my_pred,true,batch_size=BATCH_SIZE):
    loss= -torch.mean(torch.sum(true.view(batch_size, -1) * torch.log(my_pred.view(batch_size, -1)), dim=1))
    return loss

如果您能提出一个更优化的实施方案，或者我在目前的方案中犯了错误，我将不胜感激。该模型将使用 Nvidia Tesla K-80 进行训练。

4

1 回答 1

4

如果您只需要交叉熵，则可以利用 PyTorch 定义的优势。

import torch.nn.functional as F
loss_func = F.cross_entropy

建议更优化的实现

PyTorch 具有F.损失函数，但您可以使用普通 python 轻松编写自己的函数。PyTorch 将自动为您的函数创建快速 GPU 或矢量化 CPU 代码。

因此，您可以检查 PyTorch 的原始实现，但我认为是这样的：

def log_softmax(x):
    return x - x.exp().sum(-1).log().unsqueeze(-1)

这是交叉熵损失的原始实现，现在您可以更改：

nll_loss(log_softmax(input, 1), target, weight, None, ignore_index, None, reduction)

对于你需要的东西，你拥有它。

于 2019-06-20T17:28:42.957 回答