目录
一、定义损失函数
1.1 代码
1.2 损失函数简介
1.3 交叉熵误差(cross entropy error)
二、定义优化器
2.1 代码
2.2 构造优化器
2.3 随机梯度下降法(SGD)
一、定义损失函数
1.1 代码
criterion = nn.CrossEntropyLoss()
1.2 损失函数简介
神经网络的学习通过某个指标表示目前的状态,然后以这个指标为基准,寻找最优的权重参数。神经网络以某个指标为线索寻找最优权重参数,该指标称为损失函数(loss function)。这个损失函数可以使用任意函数, 但一般用均方误差和交叉熵误差等。损失函数是表示神经网络性能的“恶劣程度”的指标,即当前的神经网络对监督数据在多大程度上不拟合、不一致。这个值越低,表示网络的学习效果越好。
但是,如果loss很低的话,可能出现过拟合现象。
过拟合是指训练出来的模型在训练集上表现得很好,但是在测试集上表现的较差,模型训练的误差远小于它在测试集上的误差。
1.3 交叉熵误差(cross entropy error)
交叉熵误差如下式所示:
其中,log表示以e为底数的自然对数(log e );yk指神经网络的输出,tk是正确解标签。并且,tk中只有正确解标签的索引为1,其他均为0(one-hot表示)。 因此,上式实际上只计算对应正确解标签的输出的自然对数。比如,假设正确解标签的索引是“2”,与之对应的神经网络的输出是0.6,则交叉熵误差 是−log 0.6 = 0.51;若“2”对应的输出是0.1,则交叉熵误差为−log 0.1 = 2.30。因此,交叉熵误差的值是由正确解标签所对应的输出结果决定的。
交叉熵误差函数需要两个参数,第一个是输入参数(预测值),第二个是正确值。
二、定义优化器
2.1 代码
import torch.optim as optim
optimizer = optim.SGD(net.parameters(),lr=0.001,momentum=0.9)
2.2 构造优化器
optimizer = optim.SGD(net.parameters(),lr=0.001,momentum=0.9):第一个参数是需要更新的参数,第二个参数是指学习率(指每次更新学习率下降的大小),第三个参数为动量;
2.3 随机梯度下降法(SGD)
用数学式子可以把SGD写为如下的式:
其中,W记为需要更新的权重参数,是指损失函数关于W的梯度,表示学习率,一般情况下会取为0.01或0.001这类事先决定好的值。式子中的“箭头”表示用右边的值更新左边的值。
SGD较为简单,且容易实现,但是在解决某些问题时可能没有效率。SGD是朝着梯度方向只前进一定距离的简单方法,且梯度的方法并没有指向最小值的方向。文章来源:https://www.toymoban.com/news/detail-722656.html
参考:004 第一个分类任务2_哔哩哔哩_bilibili文章来源地址https://www.toymoban.com/news/detail-722656.html
到了这里,关于Pytorch代码入门学习之分类任务(三):定义损失函数与优化器的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!