pytorch 按batch_size计算交叉熵损失如何编写代码

在PyTorch中，计算交叉熵损失使用的函数是nn.CrossEntropyLoss()，在这个函数中，我们可以设置参数size_average和reduce来控制loss的计算方式。其中，size_average和reduce这两个参数默认为True，表示对所有的loss值求平均值，当我们需要对每个样本单独计算loss时，这两个参数需要设置为False。对于batch_size计算交叉熵损失，我们可以先将输入数据与标签数据打包成一个batch，然后将其传给nn.CrossEntropyLoss()函数即可。具体代码实现如下：

import torch
import torch.nn as nn

input_size = 10
batch_size = 32
num_classes = 5

# 生成模拟数据
input_data = torch.randn(batch_size, input_size)
target_data = torch.randint(size=(batch_size,), low=0, high=num_classes)

# 定义模型和损失函数
model = nn.Linear(input_size, num_classes)
criterion = nn.CrossEntropyLoss()

# 前向传播计算loss
output = model(input_data)
loss = criterion(output, target_data)

print(loss.item())