KLDivLoss

class torch.nn.KLDivLoss(size_average=None, reduce=None, reduction='mean', log_target=False)

库尔洛克-莱布勒散度损失。

对于形状相同的张量 $y_{\text{pred}},\ y_{\text{true}}$ ，其中 $y_{\text{pred}}$ 是 input ， $y_{\text{true}}$ 是 target ，我们定义点 wise KL-散度如下

$$L(y_{\text{pred}},\ y_{\text{true}}) = y_{\text{true}} \cdot \log \frac{y_{\text{true}}}{y_{\text{pred}}} = y_{\text{true}} \cdot (\log y_{\text{true}} - \log y_{\text{pred}})$$

为了避免在计算此数量时出现下溢问题，此损失期望在对数空间中的参数 input 。如果 log_target = True，参数 target 也可以提供在对数空间中。

总结来说，此函数大致相当于计算

if not log_target: # default
    loss_pointwise = target * (target.log() - input)
else:
    loss_pointwise = target.exp() * (target - input)

然后根据参数 reduction 减少此结果

if reduction == "mean":  # default
    loss = loss_pointwise.mean()
elif reduction == "batchmean":  # mathematically correct
    loss = loss_pointwise.sum() / input.size(0)
elif reduction == "sum":
    loss = loss_pointwise.sum()
else:  # reduction == "none"
    loss = loss_pointwise

注意

与 PyTorch 中的所有其他损失一样，此函数期望第一个参数 input 是模型的输出（例如神经网络）和第二个参数 target 是数据集中的观测值。这与标准数学符号 $KL(P\ ||\ Q)$ 不同，其中 $P$ 表示观测值的分布， $Q$ 表示模型。

警告

reduction = “mean”不会返回真正的 KL 散度值，请使用 reduction = “batchmean”，这与数学定义一致。

参数:

• size_average（布尔值，可选）- 已弃用（见 reduction ）。默认情况下，损失会在批次的每个损失元素上平均。注意，对于某些损失，每个样本可能有多个元素。如果将字段 size_average 设置为 False，则损失将针对每个 minibatch 进行求和。当 reduce 为 False 时忽略。默认：True

• reduce（布尔值，可选）- 已弃用（见 reduction ）。默认情况下，损失会根据 size_average 在 minibatch 的观测值上平均或求和。当 reduce 为 False 时，返回每个批次的损失元素，并忽略 size_average 。默认：True

• reduction（str，可选）- 指定要应用于输出的降维方式。默认：“mean”

• log_target（bool，可选）- 指定目标是否在对数空间。默认：False

形状：

• 输入： $(*)$ ，其中 $*$ 表示任意数量的维度。

• 目标： $(*)$ ，与输入形状相同。

• 输出：默认为标量。如果 reduction 是‘none’，则 $(*)$ 与输入具有相同的形状。

示例::

>>> kl_loss = nn.KLDivLoss(reduction="batchmean")
>>> # input should be a distribution in the log space
>>> input = F.log_softmax(torch.randn(3, 5, requires_grad=True), dim=1)
>>> # Sample a batch of distributions. Usually this would come from the dataset
>>> target = F.softmax(torch.rand(3, 5), dim=1)
>>> output = kl_loss(input, target)

>>> kl_loss = nn.KLDivLoss(reduction="batchmean", log_target=True)
>>> log_target = F.log_softmax(torch.rand(3, 5), dim=1)
>>> output = kl_loss(input, log_target)