如何实现计算错误预测次数的可微损失函数?
output = [1,0,4,10]
target = [1,2,4,15]
loss = np.count_nonzero(output != target) / len(output) # [0,1,0,1] -> 2 / 4 -> 0.5
我已经尝试了一些实现,但它们是不可区分的。 RuntimeError:张量的元素 0 不需要 grad 并且没有 grad_fn
def hamming_loss(output, target):
#loss = torch.tensor(torch.nonzero(output != target).size(0)).double() / target.size(0)
#loss = torch.sum((output != target), dim=0).double() / target.size(0)
loss = torch.mean((output != target).double())
return loss
也许有一些相似但不同的损失函数?
最佳答案
为什么不将离散预测(例如,[1, 0, 4, 10]
)转换为“软”预测,即每个标签的概率(例如,输出
变成一个 4x(num labels) 个概率向量。
一旦有了“软”预测,就可以计算预测输出概率与所需目标之间的交叉熵损失。
关于python - 如何在pytorch中实现可微分的汉明损失?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/60599365/