【Pytorch学习笔记】交叉熵损失函数CrossEntropyLoss的案例使用
文章目录
- 前言
- 一、案例代码
- 1.引入库
- 2.生成网络输出 以及 目标输出
- 3.熟悉计算公式，手动计算第一个样本
- 4.交叉熵损失权重
- 5.CrossEntropy loss: ignore_index
- 二、完整代码
- 总结
前言
分类问题常用的损失函数为交叉熵（Cross Entropy Loss）。
交叉熵描述了两个概率分布之间的距离，交叉熵越小说明两者之间越接近。
熵是信息量的期望值，它是一个随机变量的确定性的度量。
熵越大，变量的取值越不确定；反之，熵越小，变量取值就越确定。
本文将使用交叉熵损失函数用作一个简单案例，代码仅供参考学习！
提示：以下是本篇文章正文内容，下面案例可供参考
一、案例代码
1.引入库
代码如下（示例）：
本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！