def loss(inputs, targets):
? ? return F.cross_entropy(inputs, targets, reduction='none')
如果inputs時4維度，? 首先是對inputs的第二維度上進行取最大值的下標，效果就是輸出結(jié)果就會降一個維度 ? 也就是 ? 第一個維度是bath_size ? 不變
第二 ?三維度的值發(fā)生改變 ? 假如輸入的第二個維度是21，則第二三維度的值就在0~21之間 ? ?這個挺好用的 ? 哈哈哈
以下代碼可以驗證這個說法：
import torch
import torchvision
from torch import nn
from torch.nn import functional as F
from d2l import torch as d2l
X = torch.rand(size=(64,21，320，480))
Y = torch.rand(size=(64,21，320，480))
print(X.shape)
print(Y.shape)
def loss(inputs, targets):
? ? return F.cross_entropy(inputs, targets, reduction='none')
output = loss(X, Y)
print(output.shape)

總結(jié)

以上是生活随笔為你收集整理的bili上李沐大神的d2l中的损失函数的理解的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。