交叉熵损失函数 代码

交叉熵损失函数代码的示例如下：

import torch
import torch.nn as nn

# 定义交叉熵损失函数
loss_fn = nn.CrossEntropyLoss()

# 示例输入数据
pred = torch.tensor([[0.1, 0.8, 0.1], [0.2, 0.1, 0.7]], dtype=torch.float32)    # 预测结果
labels = torch.tensor([[0, 1, 0], [0, 0, 1]], dtype=torch.float32)    # one-hot编码的标签
labels_idx = torch.tensor([1, 2])    # 数字编码的标签

# 计算损失
loss1 = loss_fn(pred, labels)    # 使用one-hot编码的标签计算损失
loss2 = loss_fn(pred, labels_idx)    # 使用数字编码的标签计算损失

# 打印损失
print(loss1)
print(loss2)

这段代码首先导入了torch和torch.nn库，然后定义了交叉熵损失函数loss_fn。接着，给出了示例输入数据pred、labels和labels_idx。最后，通过loss_fn计算损失loss1和loss2，并打印出来。

相关问题

交叉熵损失函数代码

以下是二分类交叉熵损失函数的Python代码实现：

def binary_cross_entropy_loss(y_true, y_pred):
    epsilon = 1e-6  # 防止出现log(0)的情况
    loss = -(1 / len(y_true)) * np.sum(y_true * np.log(y_pred + epsilon) + (1 - y_true) * np.log(1 - y_pred + epsilon))
    return loss

其中，y_true是真实标签，y_pred是模型的预测标签，epsilon是一个极小值，用于防止出现log(0)的情况。

二元交叉熵损失函数代码

二元交叉熵损失函数是用于二分类问题的一常见损失函数，它可以衡量模型输出与真实标签之间的差异。以下是一个简单的二元交叉熵损失函数的代码示例：

import numpy as np

def binary_cross_entropy(y_pred, y_true):
    epsilon = 1e-7  # 避免log(0)的情况
    loss = -np.mean(y_true * np.log(y_pred + epsilon) + (1 - y_true) * np.log(1 - y_pred + epsilon))
    return loss

在上述代码中，`y_pred`表示模型的预测输出，`y_true`表示真实的标签。函数首先引入一个很小的常数`epsilon`，用于避免取对数时出现0的情况。然后，根据二元交叉熵的定义，计算每个样本的损失值，并取平均值作为最终的损失。