一些结合实例的代码理解（学习笔记）

1、计算模型得分

#计算分类模型得分
def compute_score_with_logits(logits, labels):
    #torch.max(logits,1)选择每行的最大值，返回的元组中的第一个元素是最大值，第二个元素的最大值对应的索引
    #[1]取得索引，.data取得数据的张量部分
    logits = torch.max(logits, 1)[1].data # argmax 找到预测的类别
    #创建一个与labels大小相同的全零张量，移动到GPU（若可用），用于存储独热编码
    one_hots = torch.zeros(*labels.size()).cuda()
    #logits.view(-1,1)将logits张量变形为一个列向量，列数为1，-1表示自动推断该维度大小
    #维度索引为1的指定位置赋值为1
    #创建一个独热编码，只有预测类别对应的位置上的值为1，其他位置都为0
    one_hots.scatter_(1, logits.view(-1, 1), 1)
    scores = (one_hots * labels)#按元素相乘，只有对应正确类别的位置上的值保留，其他位置都是0
    return scores

其中，scatter_()函数的用法如下：

logits = torch.max(logits, 1)[1].data
# 在第一个样本中，最大值索引为 1；在第二个样本中，最大值索引为 1
# 所以 logits 变为 tensor([1, 1])

one_hots = torch.zeros(*labels.size()).cuda()
# 创建一个与 labels 大小相同的全零张量，并将其移动到 GPU 上

one_hots.scatter_(1, logits.view(-1, 1), 1)
# 对于 logits 中的每个值，将对应位置的 one_hots 置为 1
# one_hots 变为 tensor([[0, 1, 0], [0, 1, 0]])

scores = (one_hots * labels)
# 按元素相乘，只有对应正确类别的位置上的值保留，其他位置都是 0
# scores 变为 tensor([[0, 1, 0], [0, 0, 0]])

2、交叉熵损失

import torch
import torch.nn as nn

def instance_bce_with_logits(logits, labels):
    #断言确保输入的logits张量是二维的
    #若logits的维度是2，则程序继续执行；否则，触发AssertionError异常，中断程序执行
    assert logits.dim() == 2

    #计算二分类交叉熵损失
    loss = nn.functional.binary_cross_entropy_with_logits(logits, labels)
    print(loss)
    print(loss*labels)
    loss = loss * labels.size(1)#将损失乘以真实标签的维度（通常是类别的数量），将损失值按照每个样本的平均损失进行缩放
    print(loss)
    return loss

if __name__ == '__main__':
    logits = torch.tensor([[-1.5, 2.0, 0.5], [0.3, -0.8, 1.2]])
    labels = torch.tensor([[0, 1, 1], [1, 0, 1]], dtype=torch.float32)

    loss = instance_bce_with_logits(logits,labels)