PyTorch中的CrossEntropyLoss()
原文英文，约600词，阅读约需2分钟。
📝
内容提要
本文介绍了L1 Loss（MAE）、L2 Loss（MSE）、Huber Loss、BCE和Cross Entropy Loss的概念和用法。Cross Entropy Loss可以从输入张量和目标张量中计算出0D或更高维的零个或多个值（浮点数）。初始化参数包括权重、忽略索引、减少方式和标签平滑等。示例展示了使用类索引和类概率作为目标张量的情况。
❓
Q&A
Cross Entropy Loss的主要用途是什么？
Cross Entropy Loss用于计算模型输出与目标之间的差异，常用于分类任务。
Cross Entropy Loss的初始化参数有哪些？
初始化参数包括权重、ignore_index、reduction和label_smoothing等。
如何处理目标张量与输入张量大小不同时的情况？
如果目标张量的大小与输入张量不同，则视为类索引；如果相同，则视为类概率。
在使用Cross Entropy Loss时，如何设置标签平滑？
标签平滑通过label_smoothing参数设置，值必须在[0, 1]之间。
Cross Entropy Loss在空输入时的返回值是什么？
空的输入和目标张量在reduction='mean'时返回nan，在reduction='sum'或'reduction='none'时返回-0。
Cross Entropy Loss如何处理类概率的目标张量？
类概率的目标张量应与输入张量大小相同，并且值应在[0, 1]之间。
🏷️
