基于MSELoss()与CrossEntropyLoss()的区别详解
基于pytorch来讲
MSELoss（）多用于回归问题，也可以用于one_hotted编码形式，
CrossEntropyLoss()名字为交叉熵损失函数，不用于one_hotted编码形式
MSELoss（）要求batch_x与batch_y的tensor都是FloatTensor类型
CrossEntropyLoss（）要求batch_x为Float，batch_y为LongTensor类型
（1）CrossEntropyLoss（）举例说明：
比如二分类问题，最后一层输出的为2个值，比如下面的代码：
classCNN(nn.Module): def__init__(self,hidden_size1,output_size,dropout_p): super(CNN,self).__init__() self.hidden_size1=hidden_size1 self.output_size=output_size self.dropout_p=dropout_p self.conv1=nn.Conv1d(1,8,3,padding=1) self.fc1=nn.Linear(8*500,self.hidden_size1) self.out=nn.Linear(self.hidden_size1,self.output_size) defforward(self,encoder_outputs): cnn_out=F.max_pool1d(F.relu(self.conv1(encoder_outputs)),2) cnn_out=F.dropout(cnn_out,self.dropout_p)#加一个dropout cnn_out=cnn_out.view(-1,8*500) output_1=torch.tanh(self.fc1(cnn_out)) output=self.out(ouput_1) returnoutput
最后的输出结果为：
上面一个tensor为output结果，下面为target，没有使用one_hotted编码。
训练过程如下：
cnn_optimizer=torch.optim.SGD(cnn.parameters(),learning_rate,momentum=0.9,\
weight_decay=1e-5)
criterion=nn.CrossEntropyLoss()
deftrain(input_variable,target_variable,cnn,cnn_optimizer,criterion):
cnn_output=cnn(input_variable)
print(cnn_output)
print(target_variable)
loss=criterion(cnn_output,target_variable)
cnn_optimizer.zero_grad()
loss.backward()
cnn_optimizer.step()
#print('loss:',loss.item())
returnloss.item()#返回损失
说明CrossEntropyLoss()是output两位为one_hotted编码形式，但target不是one_hotted编码形式。
（2）MSELoss（）举例说明：
网络结构不变，但是标签是one_hotted编码形式。下面的图仅做说明，网络结构不太对，出来的预测也不太对。
如果target不是one_hotted编码形式会报错，报的错误如下。
目前自己理解的两者的区别，就是这样的，至于多分类问题是不是也是样的有待考察。
以上这篇基于MSELoss()与CrossEntropyLoss()的区别详解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毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。