pytorch 中分类网络损失函数

1、分类网络搭建

如图搭建简单的分类网络，以二分类为例：

二分类网络

2，10，2分别代表：输入的特征数，隐藏神经元的个数，输出的概率（one-hot编码）

prediction=net(x)：概率可以为负数

[0.6,-0.1]:表示预测为0，最大概率的索引为0

[-0.08,6.5]:表示预测为1，最大概率的索引为1

2、分类损失函数

loss_func=torch.nn.CrossEntropyLoss()

3、网络训练，预测

网络训练

loss_func中输入的是直接从网络中输出的量（prediction=net(x)）

为了查看其预测的标签，通过打印这句话即可：

print(torch.max(F.softmax(prediction), 1)[1])

1、F.softmax(prediction）：将二分类概率都变成0-1之间的数，且相加为1

[0.3,0.7]:预测为1

[0.6,0.4]：预测为0

2、torch.max(F.softmax(prediction), 1)：

torch.max(out,1):按行取最大，每行的最大值放到一个矩阵中

torch.max(out,0):按列取最大，每列的最大值放到一个矩阵中

这句话最后返回两个tensor：

values=tensor（最大的概率值）

indices=tensor（最大概率值的索引）

3、torch.max(F.softmax(prediction), 1)[1]：

只保留indices的tensor

实例：

*注：在有的地方我们会看到torch.max(a, 1).data.numpy()的写法，这是因为在早期的pytorch的版本中，variable变量和tenosr是不一样的数据格式，variable可以进行反向传播，tensor不可以，需要将variable转变成tensor再转变成numpy。现在的版本已经将variable和tenosr合并，所以只用torch.max(a,1).numpy()就可以了。

参考链接：https://www.jianshu.com/p/3ed11362b54f