区别和联系：
在PyTorch中，不同类型任务的主要区别在于输出层的设计和损失函数的选择：
二分类任务：（一个图片被分类为猫或者狗，被分类成2个分类中的一种）实现方式1：使用单个输出节点和Sigmoid激活，损失函数通常是BCELoss。实现方式2：使用两个输出节点和Softmax激活函数，通常使用CrossEntropyLoss。多分类任务：使用与类别数相等的输出节点和Softmax激活，损失函数是CrossEntropyLoss。（一个图片被分类为猫、狗、老鼠、青蛙....，可能被分类成多个分类中的一种）多标签分类任务：使用与标签数相等的输出节点和Sigmoid激活，损失函数是BCELoss或BCEWithLogitsLoss。（一个图片既包含猫，还包含狗，它同时含有多个标签）回归任务：单个输出节点，无激活函数，损失函数通常是MSELoss。
备注：其中“ 二分类的实现方式2 ”和“ 多分类任务 ”实现方式是一样的
代码实现上：
1、二分类任务
实现方式1：
使用单个输出节点和Sigmoid激活，损失函数通常是BCELoss。
class BinaryClassificationModel(nn.Module):
def __init__(self):
super(BinaryClassificationModel, self).__init__()
self.layer = nn.Linear(10, 1)
def forward(self, x):
return torch.sigmoid(self.layer(x))
criterion = nn.BCELoss()
实现方式2：
使用两个输出节点和Softmax激活函数，通常使用CrossEntropyLoss。
class BinaryModelSoftmax(nn.Module):
def __init__(self):
super(BinaryModelSoftmax, self).__init__()
self.layer = nn.Linear(10, 2)
def forward(self, x):
return torch.softmax(self.layer(x), dim=1)
criterion_softmax = nn.CrossEntropyLoss()
2、多分类任务
多分类任务：使用与类别数相等的输出节点和Softmax激活，损失函数是CrossEntropyLoss。
class MulticlassClassificationModel(nn.Module):
def __init__(self):
super(MulticlassClassificationModel, self).__init__()
self.layer = nn.Linear(10, 3)
def forward(self, x):
return torch.softmax(self.layer(x), dim=1)
criterion = nn.CrossEntropyLoss()
3、多标签分类任务
多标签分类任务：使用与标签数相等的输出节点和Sigmoid激活，损失函数是BCELoss或BCEWithLogitsLoss。
class MultiLabelClassificationModel(nn.Module):
def __init__(self):
super(MultiLabelClassificationModel, self).__init__()
self.layer = nn.Linear(10, 3)
def forward(self, x):
return torch.sigmoid(self.layer(x))
criterion = nn.BCEWithLogitsLoss()
4、回归任务
回归任务：单个输出节点，无激活函数，损失函数通常是MSELoss。
class RegressionModel(nn.Module):
def __init__(self):
super(RegressionModel, self).__init__()
self.layer = nn.Linear(10, 1)
def forward(self, x):
return self.layer(x)
criterion = nn.MSELoss()
相关链接
您阅读本篇文章共花了：
发表评论