参考:https://blog.csdn.net/L888666Q/article/details/126346022?utm_medium=distribute.pc_relevant.none-task-blog-2~default~baidujs_baidulandingword~default-1-126346022-blog-128974654.235^v38^pc_relevant_default_base&spm=1001.2101.3001.4242.2&utm_relevant_index=4
预测值和标签值都需要进行softmax归一化处理 预测值还需要再进行log计算,标签值不需要
- KL散度 KL散度,又叫相对熵,用于衡量两个分布(离散分布和连续分布)之间的距离。
设 p(x) 、 q(x) 是离散随机变量X的两个概率分布,则 p 对q 的KL散度是:
- 在pytorch中,nn.KLDivLoss()的计算公式如下:
上图y为标签,x为预测值,则pytorch应该以如下代码使用
lossfunc=nn.KLDivLoss()
loss = lossfunc(预测值, 标签值)
所以,在pytorch中预测值和标签值分别做如下处理:
F.log_softmax(预测值/ temp, dim=1)
F.softmax(标签值/ temp, dim=1)