阅读量:5
文章目录
深度学习损失计算
1.如何计算当前epoch的损失？
深度学习中的损失计算，通常为数据集的平均损失，即每个样本的平均损失值。计算步骤如下：
- 计算单个批次的损失。每次迭代中，用当前模型预测值和真实值计算损失。假设
_loss是这次迭代中计算得到的损失。 - 转换为标量。利用
item()方法将其转换为标量值。_loss.item() - 乘以批次大小。乘以批次大小的原因是，希望总损失是所有数据点的损失总和，而不是批次平均损失。
- 累加损失。
loss += _loss.item() * batch_size将当前批次的总损失累加到变量loss中。这样所有批次遍历结束后，就得到一个epoch的总损失。 - 计算当前epoch的样本平均损失。通过总损失除以总的数据样本数，来得到平均损失。
average_loss = loss/len(dataloader.dataset)【注意：除的是总的数据样本数（len(dataloader.dataset)）！不是总的批次数（len(dataloader)）！】
示例代码如下：
for epoch in total_epoch: # epoch迭代 total_loss = 0.0 # 初始化总损失 for inputs, targets in dataloader: # batch迭代 outputs = model(inputs) # 获取预测值 _loss = criterion(outputs, targets) # 计算当前批次损失，为批次平均损失 batch_size = inputs.size(0) # 获取批次大小 total_loss += _loss.item() * batch_size # 计算当前批次的总损失 # 计算当前epoch的平均损失 average_loss = total_loss / len(dataloader.dataset) 2.为什么要计算样本平均损失，而不是计算批次平均损失？
由于每个批次的大小可能不一样，特别是在数据集的大小不是批次大小的整数倍时，所以使用
len(dataloader)会导致错误的平均损失计算。
下面用一个简单的例子，解释这两种计算方式的不同：
假设数据集有 105 个样本，每个批次大小为 10，这样会有 11 个批次，其中最后一个批次只有 5 个样本。结合上面的伪代码，假设损失值 _loss.item() 是 1，对于 10 个批次的损失是 10，最后一个批次的损失是 5。那么：
- t o t a l _ l o s s = ( 1 ∗ 10 ) ∗ 10 + ( 1 ∗ 5 ) ∗ 1 = 105 total\_loss = (1 * 10) * 10 + (1 * 5) * 1 = 105 total_loss=(1∗10)∗10+(1∗5)∗1=105
- l e n ( d a t a l o a d e r . d a t a s e t ) = 105 len(dataloader.dataset) = 105 len(dataloader.dataset)=105
- l e n ( d a t a l o a d e r ) = 11 len(dataloader) = 11 len(dataloader)=11
计算结果：
- 样本平均损失计算：
average_loss = total_loss / len(dataloader.dataset)即 105 / 105 = 1 105/105 = 1 105/105=1。 - 批次平均损失计算：
average_loss = total_loss / len(dataloader)即 105 / 11 ≈ 9.545 105/11 \approx 9.545 105/11≈9.545。
显然，第一种方式是正确的，反映了每个样本的真实平均损失。
😃😃😃
