a = torch.Tensor([2, 3, 4])

# 使用 pytorch 内置的 softmax 函数计算

softmax = a.softmax(dim=0)

print( softmax)

# tensor([0.0900, 0.2447, 0.6652])

log_softmax()

使用 log_softmax 计算 softmax 的对数值，log_softmax(x) 等价于 log(softmax(x))

最终分类如果使用 log_softmax，损失函数需要使用 nll_loss(Negative Log Likelihood )。

nll_loss 损失函数的表达式为

相当于只取 log(softmax(x)) 预测结果向量 label 对应索引值的相反数。

log_softmax

log_softmax = a.log_softmax(dim=0)

print('-- log_softmax : ', log_softmax)

# tensor([-2.4076, -1.4076, -0.4076])

nll_loss

print(manual_log_softmax.unsqueeze(1))

# tensor([[-2.4076], [-1.4076], [-0.4076]])

nll_loss = F.nll_loss(manual_log_softmax.unsqueeze(1), torch.LongTensor([0, 0, 0]), reduction='none')

print('-- nll_loss : ', nll_loss)

# tensor([2.4076, 1.4076, 0.4076])

cross_entropy_loss

log_softmax 和 nll_loss 经常组合使用，常见于各种分类算法。

cross_entropy_loss 底层实际也是调用的 log_softmax 和 nll_loss。该算子一步到位的将 softmax、log 及 nll 操作全部完成。

b = torch.Tensor([ [1, 2], [0.5, 3], [0.9, 4] ])

loss = nn.CrossEntropyLoss()

l1 = loss(b, torch.LongTensor([0, 1, 0]))

print('-- loss : ', l1)

# tensor(1.5121)