阅读量:0
在Torch中处理多类分类任务通常使用交叉熵损失函数和softmax函数。首先，定义一个包含所有可能类别的输出层，并使用softmax函数将输出映射为概率分布。然后，计算预测概率分布与真实标签之间的交叉熵损失，通过反向传播算法更新模型参数来最小化损失。以下是一个处理多类分类任务的示例代码：
import torch import torch.nn as nn import torch.optim as optim # 定义模型 class Net(nn.Module): def __init__(self, num_classes): super(Net, self).__init__() self.fc = nn.Linear(10, num_classes) def forward(self, x): x = self.fc(x) return x # 初始化模型和损失函数 model = Net(num_classes=5) criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(model.parameters(), lr=0.01) # 准备数据 inputs = torch.randn(3, 10) # batch size为3，特征维度为10 targets = torch.LongTensor([1, 3, 0]) # 真实标签 # 训练模型 for epoch in range(100): optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, targets) loss.backward() optimizer.step() print('Epoch {}, Loss: {}'.format(epoch, loss.item())) 在上面的示例中，我们定义了一个简单的神经网络模型Net，包含一个全连接层和一个softmax操作。然后，我们使用交叉熵损失函数和随机梯度下降优化器来训练模型，最小化预测概率分布与真实标签之间的交叉熵损失。在每个epoch中，我们计算损失并反向传播更新模型参数，直到达到指定的训练次数为止。
