P22_损失函数与反向传播

22.1损失函数的作用

1. 计算实际输出和目标之间的差距
2. 为我们更新输出提供一定的依据（反向传播）

22.2几种官方文档中的损失函数

打开torch.nn—Loss Functions：

【注意：损失函数只能处理float类型的张量，可在张量设置时加入dtype=torch.float或者张量中出现小数点】

1.L1Loss：

（1）其参数如下：

class torch.nn.L1Loss(size_average=None, reduce=None, reduction='mean')

其中reduction默认是mean，也可以设置为sum

（2）举个例子

输入X：1，2，3

对应的目标Y：1，2，5

则

mean：L1loss = (0+0+2)/3 = 0.6667

sum：LL1loss = 0+0+2 = 2

（3）将上例写入代码

点击查看代码

import torch
from torch.nn import L1Loss#损失函数只能处理float类型的张量
inputs = torch.tensor([1,2,3],dtype=torch.float32)
targets = torch.tensor([1,2,5],dtype=torch.float32)#将inputs和targets变成1batch_size、1channel，1行3列
inputs = torch.reshape(inputs,(1,1,1,3))
targets = torch.reshape(targets,(1,1,1,3))loss = L1Loss()
result = loss(inputs,targets)print(result)

（4）输出：

tensor(0.6667)

（5）设置reduction为sum

loss = L1Loss(reduction='sum')

输出为：
tensor(2.)

2.MSELoss（平方差）：

（1）举个例子

输入X：1，2，3

对应的目标Y：1，2，5

则MSE=（0+0+2^2）/3 = 4/3 = 1.333

（2）写入代码：

点击查看代码

import torch
from torch.nn import L1Loss, MSELoss
from torch import nn#损失函数只能处理float类型的张量
inputs = torch.tensor([1,2,3],dtype=torch.float32)
targets = torch.tensor([1,2,5],dtype=torch.float32)#将inputs和targets变成1batch_size、1channel，1行3列
inputs = torch.reshape(inputs,(1,1,1,3))
targets = torch.reshape(targets,(1,1,1,3))loss_mse = MSELoss()
result_mse = loss_mse(inputs,targets)print(result_mse)

（3）输出：

tensor(1.3333)

3.CrossEntropyLoss（交叉熵）：

（1）交叉熵计算公式

想要loss小，就要使x[class]大（其前有负号）以及log的部分小；

假设要分成三类：person、dog、cat，现在给他们分别赋上标签：0，1，2

设person假如经过神经网络的输出output为[0.1,0.2,0.3]，target是1（狗的标签是1）；

此时，代入到计算公式里面，output就是x，target就是class：

则计算结果为：loss(x,class) = -0.2 + log(exp(0.1)+exp(0.2)+exp(0.3))，计算机里面log默认是以e为底，即loss(x,class) = -0.2 + ln(exp(0.1)+exp(0.2)+exp(0.3))，得到1.1019

（2）CrossEntropyLoss的shape要求

Input：(N,C)，C是类别数，N是batch_size

Target：N

Output：scalar

（3）写入代码：

点击查看代码

x = torch.tensor([0.1,0.2,0.3])
y = torch.tensor([1])#按照Input的shape要求，把Input：(N,C)，C是类别数，N是batch_size
#即分成三类：person，cat，dog；batch_size为一个
x = torch.reshape(x,(1,3))
#新建交叉熵
loss_cross = nn.CrossEntropyLoss()
result_cross = loss_cross(x,y)print(result_cross)

结果如下： `tensor(1.1019)` 与上面我们计算的结果一致；

22.3在神经网络中使用Loss Function：

1.将CIFAR10的数据集放到神经网络

点击查看代码

import torchvision.transforms
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear, Sequential#定义数据集
from torch.utils.data import DataLoaderdataset = torchvision.datasets.CIFAR10("./dataset",train=False,transform=torchvision.transforms.ToTensor(),download=True)
dataloader = DataLoader(dataset,batch_size=1)#定义神经网络
class DYL_seq(nn.Module):def __init__(self):super(DYL_seq, self).__init__()self.model1 = Sequential(Conv2d(in_channels=3, out_channels=32, kernel_size=5, padding=2),MaxPool2d(kernel_size=2),Conv2d(32, 32, 5, padding=2),MaxPool2d(kernel_size=2),Conv2d(32, 64, 5, padding=2),MaxPool2d(kernel_size=2),Flatten(),Linear(1024, 64),Linear(64, 10))def forward(self,x):x = self.model1(x)return x#创建网络
dyl_seq = DYL_seq()#从dataloader去取数据
for data in dataloader:imgs,targets = dataoutputs = dyl_seq(imgs)print(outputs)print(targets)

2.输出：

点击查看代码

Files already downloaded and verified
tensor([[ 0.1075, -0.0205, -0.0137, -0.1302,  0.0355, -0.0131,  0.0246, -0.0382,0.1338,  0.0322]], grad_fn=<AddmmBackward0>)
tensor([3])
tensor([[ 0.0851,  0.0023,  0.0055, -0.1246,  0.0670, -0.0242,  0.0132, -0.0222,0.1512,  0.0251]], grad_fn=<AddmmBackward0>)
tensor([8])
......

结果中：

输入的图片放在神经网络中得到一个输出：一共有10个输出，每个值代表预测是这个类别的概率

[ 0.1075, -0.0205, -0.0137, -0.1302, 0.0355, -0.0131, 0.0246, -0.0382,0.1338, 0.0322]

其对应的tensor([3])代表其真实类别是3；

3.使用Loss Function

(1)添加代码：

点击查看代码

loss = nn.CrossEntropyLoss()#创建网络
dyl_seq = DYL_seq()#从dataloader去取数据
for data in dataloader:imgs,targets = dataoutputs = dyl_seq(imgs)result_loss = loss(outputs,targets)#CrossEntropyLoss的计算公式中，x就是神经网络的输出outputs，class就是targetsprint(result_loss)

(2)输出结果如下：

点击查看代码

Files already downloaded and verified
tensor(2.3312, grad_fn=<NllLossBackward0>)
tensor(2.1667, grad_fn=<NllLossBackward0>)
.......

我们得到的这些数：就是神经网络的输出和真实输出的误差

4.lossfunction的第二个作用：为我们更新输出提供一定的依据（反向传播）

(1)即grad

给每一个卷积核中的参数设置了一个grad梯度，当我们采用反向传播时，每一个要更新的参数就会求出对应多个梯度，在优化过程中，就会对其中参数进行一个优化

(2)代码如下

点击查看代码

x for data in dataloader:    imgs,targets = data    outputs = dyl_seq(imgs)    result_loss = loss(outputs,targets)    #CrossEntropyLoss的计算公式中，x就是神经网络的输出outputs，class就是targets    result_loss.backward()    #print(result_loss)    print("ok")

（3）把断点打在： result_loss.backward()，然后debug

可见：dyl_seq的modules下边的‘model1’中的modules的第一层‘0’里面的weight下边的gard为None

（4）然后调试进入到下一步：

其gard梯度就计算出来了：

但是如果删掉了result_loss.backward，就会发现gard始终为none

所以：

要用backward去做反向传播，他就可以计算出每一个节点的参数，就得到各个节点的参数的梯度，接下里就可以选用合适的优化器，对其参数极限那优化，对loss达到降低的目的。