Цель и вход должны иметь одинаковое количество элементов

Question

Размер моего входного ярлыка torch.size([30, 2, 96, 96, 96])

Размер моего ярлыка torch.size([30, 96, 96, 96]), я передаю их функции потери, которая выглядит следующим образом:

loss = F.binary_cross_entropy(F.sigmoid(output),labels,torch.FloatTensor(CLASS_WEIGHTS).cuda())

Когда я запускаюэто, однако, я получаю

Value error:Target and input must have the same number of elements.target nelement(26542080) != input nelement(53084160)

Я немного запутался здесь.Я получаю, что входное значение в два раза больше целевого, потому что оно умножает [30,96,96] на количество классов, но я не уверен, почему это так, и как его исправить.Любые предложения будут полезны, заранее спасибо.

Answer 1

В отличие от слоя torch.nn.CrossEntropyLoss, который принимает значения метки для цели (т. Е. Если input имеет форму (30, C, 96, 96, 96) с C числом классов, target должно быть (30, 96, 96, 96)), torch.nn.functional.binary_cross_entropy() необходимо, чтобы input и target имели одинаковую форму (т. Е. target формы (30, C, 96, 96, 96)), поэтому требуется представление меток назначения в горячем виде.

Если вы не выберете torch.nn.CrossEntropyLoss, у вас есть несколько способов разогреть целевые ярлыки (например, см. thread ).Персональное решение:

def to_one_hot(x, C=2, tensor_class=torch.FloatTensor):
    """ One-hot a batched tensor of shape (B, ...) into (B, C, ...) """
    x_one_hot = tensor_class(x.size(0), C, *x.shape[1:]).zero_()
    x_one_hot = x_one_hot.scatter_(1, x.unsqueeze(1), 1)
    return x_one_hot

# Demonstration:
num_classes = 2
labels = torch.LongTensor(30, 96, 96, 96).random_(0, num_classes)
one_hot_labels = to_one_hot(labels, C=num_classes)
print(one_hot_labels.shape)
# > torch.Size([30, 2, 96, 96, 96])