Pytorch中Softmax与LogSigmoid的对比分析

时间:2021-11-05 14:23:40

pytorch中softmax与logsigmoid的对比

torch.nn.softmax

作用:

1、将softmax函数应用于输入的n维tensor,重新改变它们的规格,使n维输出张量的元素位于[0,1]范围内,并求和为1。

2、返回的tensor与原tensor大小相同,值在[0,1]之间。

3、不建议将其与nllloss一起使用,可以使用logsoftmax代替之。

4、softmax的公式:

Pytorch中Softmax与LogSigmoid的对比分析

参数:

维度,待使用softmax计算的维度。

例子:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
# 随机初始化一个tensor
a = torch.randn(2, 3)
print(a) # 输出tensor
# 初始化一个softmax计算对象,在输入tensor的第2个维度上进行此操作
m = nn.softmax(dim=1)
# 将a进行softmax操作
output = m(a)
print(output) # 输出tensor
 
tensor([[ 0.52830.3922, -0.0484],
        [-1.6257, -0.47750.5645]])
tensor([[0.4108, 0.3585, 0.2307],
        [0.0764, 0.2408, 0.6828]])

可以看见的是,无论输入的tensor中的值为正或为负,输出的tensor中的值均为正值,且加和为1。

当m的参数dim=1时,输出的tensor将原tensor按照行进行softmax操作;当m的参数为dim=0时,输出的tensor将原tensor按照列进行softmax操作。

深度学习拓展:

一般来说,softmax函数会用于分类问题上。例如,在vgg等深度神经网络中,图像经过一系列卷积、池化操作后,我们可以得到它的特征向量,为了进一步判断此图像中的物体属于哪个类别,我们会将该特征向量变为:类别数 * 各类别得分 的形式,为了将得分转换为概率值,我们会将该向量再经过一层softmax处理。

torch.nn.logsigmoid

公式:

Pytorch中Softmax与LogSigmoid的对比分析

函数图:

Pytorch中Softmax与LogSigmoid的对比分析

可以见得,函数值在[0, -]之间,输入值越大函数值距离0越近,在一定程度上解决了梯度消失问题。

例子:

?
1
2
3
4
5
6
7
8
9
a = [[ 0.52830.3922, -0.0484],
    [-1.6257, -0.47750.5645]]
a = torch.tensor(a)
lg = nn.logsigmoid()
lgoutput = lg(a)
print(lgoutput)
 
tensor([[-0.4635, -0.5162, -0.7176],
        [-1.8053, -0.9601, -0.4502]])

二者比较:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
import torch
import torch.nn as nn
# 设置a为 2*3  的tensor
a = [[ 0.52830.3922, -0.0484],
    [-1.6257, -0.47750.5645]]
a = torch.tensor(a)
print(a)
print('a.mean:', a.mean(1, true)) # 输出a的 行平均值
 
m = nn.softmax(dim=1) # 定义softmax函数,dim=1表示为按行计算
lg = nn.logsigmoid() # 定义logsigmoid函数
 
output = m(a)
print(output)
# 输出a经过softmax的结果的行平均值
print('output.mean:', output.mean(1, true))
 
lg_output = lg(a)
print(lg_output)
# 输出a经过logsigmoid的结果的行平均值
print('lgouput.mean:', lg_output.mean(1, true))
 
# 结果:
tensor([[ 0.52830.3922, -0.0484],
        [-1.6257, -0.47750.5645]])
a.mean: tensor(-0.1111)
 
tensor([[0.4108, 0.3585, 0.2307],
        [0.0764, 0.2408, 0.6828]])
output.mean: tensor([[0.3333], [0.3333]]) # 经过softmax的结果的行平均值
 
tensor([[-0.4635, -0.5162, -0.7176],
        [-1.8053, -0.9601, -0.4502]])
lgouput.mean: tensor([[-0.5658], [-1.0719]]) # 经过logsigmoid的结果的行平均值

由上可知,继续考虑分类问题,相同的数据,经过softmax和logsigmoid处理后,若取最大概率值对应类别作为分类结果,那么:

1、第一行数据经过softmax后,会选择第一个类别;经过logsigmoid后,会选择第一个。

2、第二行数据经过softmax后,会选择第三个类别;经过logsigmoid后,会选择第三个。

3、一般来说,二者在一定程度上区别不是很大,由于sigmoid函数存在梯度消失问题,所以被使用的场景不多。

4、但是在多分类问题上,可以尝试选择sigmoid函数来作为分类函数,因为softmax在处理多分类问题上,会更容易出现各项得分十分相近的情况。瓶颈值可以根据实际情况定。

nn.softmax()与nn.logsoftmax()

nn.softmax()计算出来的值,其和为1,也就是输出的是概率分布,具体公式如下:

Pytorch中Softmax与LogSigmoid的对比分析

这保证输出值都大于0,在0,1范围内。

而nn.logsoftmax()公式如下:

Pytorch中Softmax与LogSigmoid的对比分析

由于softmax输出都是0-1之间的,因此logsofmax输出的是小于0的数,

softmax求导:

Pytorch中Softmax与LogSigmoid的对比分析

logsofmax求导:

Pytorch中Softmax与LogSigmoid的对比分析

例子:

?
1
2
3
import torch.nn as nn
import torch
import numpy as np
?
1
2
3
4
5
6
7
8
9
10
layer1=nn.softmax()
layer2=nn.logsoftmax()
 
input=np.asarray([2,3])
input=variable(torch.tensor(input))
 
output1=layer1(input)
output2=layer2(input)
print('output1:',output1)
print('output2:',output2)

输出:

output1: variable containing:
0.2689
0.7311
[torch.floattensor of size 2]

output2: variable containing:
-1.3133
-0.3133
[torch.floattensor of size 2]

以上为个人经验,希望能给大家一个参考,也希望大家多多支持服务器之家。

原文链接:https://blog.csdn.net/qq_38883844/article/details/104248622