deep learning的一些知识点

softmax loss:

softmax:     softmax的作用，将fc的输出映射成为(0,1)的概率，并将其差距拉大。

cross entropy loss:   y是样本的真实标签，为1，y'是样本的分数。单个样本的交叉熵计算方法。

 

softmax loss:   计算n个样本的交叉熵，然后取均值。

 

 pytorch 的crossentropy loss的测试demo:

#coding=utf-8

import torch
import torch.nn as nn
import math
import numpy as np

# output = torch.randn(1, 5, requires_grad = True) #假设是网络的最后一层，5分类
output=np.array([[-0.3625, -0.4523,  1.7358,  0.6512, -0.8057]],dtype='float')
output=torch.from_numpy(output)
# label = torch.empty(1, dtype=torch.long).random_(5) # 0 - 4， 任意选取一个分类
label=np.array([2],dtype='int64')
label=torch.from_numpy(label)

print ('Network Output is: ', output)
print ('Ground Truth Label is: ', label)

score = output [0,label.item()].item() # label对应的class的logits（得分）
print ('Score for the ground truth class = ', label)

first = - score
second = 0
for i in range(5):
    second += math.exp(output[0,i])
second = math.log(second)

loss = first + second
print ('-' * 20)
print ('my loss = ', loss)

loss = nn.CrossEntropyLoss()
print ('pytorch loss = ', loss(output, label))

输出：

在计算方式上：

cross entropy loss: 

 

sigmoid:

 

sigmoid的导数：