为什么我不能将交叉熵损失用于多标签？

Question

我正在针对自然问题数据集中的长答案任务对 BERT 模型进行微调。我正在像 SQuAD 模型一样训练模型（预测开始和结束标记）。

我使用 Huggingface 和 PyTorch。

所以目标和标签的形状/大小为 [batch, 2]。我的问题是我无法输入“多目标”，我认为这是指最后一个形状是 2。

RuntimeError：/pytorch/aten/src/THCUNN/generic/ClassNLLCriterion.cu:18 不支持多目标

我应该选择其他损失函数还是有其他方法可以绕过这个问题？

我正在使用的这段代码：

def loss_fn(preds, targets):
    return nn.CrossEntropyLoss()(preds,labels)

class DecoderModel(nn.Module):

    def __init__(self, model_args, encoder_config, loss_fn):
        super(DecoderModel, self).__init__()
        # ...

    def forward(self, pooled_output, labels):   
        pooled_output = self.dropout(pooled_output)
        logits = self.linear(pooled_output)

        start_logits, end_logits = logits.split(1, dim = -1)
        start_logit = torch.squeeze(start_logits, axis=-1)
        end_logit = torch.squeeze(end_logits, axis=-1)

        # Concatenate into a "label"
        preds = torch.cat((start_logits, end_logits), -1)

        # Calculate loss
        loss = self.loss_fn(
            preds = preds, 
            labels = labels)

        return loss, preds

目标属性是： torch.int64 & [3,2]

预测属性是： torch.float32 & [3,2]

已解决 - 这是我的解决方案

def loss_fn(preds:list, labels):
    start_token_labels, end_token_labels = labels.split(1, dim = -1)
    start_token_labels = start_token_labels.squeeze(-1)
    end_token_labels = end_token_labels.squeeze(-1)

    print('*'*50)
    print(preds[0].shape) # preds [0] and [1] has the same shape and dtype
    print(preds[0].dtype) # preds [0] and [1] has the same shape and dtype
    print(start_token_labels.shape) # labels [0] and [1] has the same shape and dtype
    print(start_token_labels.dtype) # labels [0] and [1] has the same shape and dtype

    start_loss = nn.CrossEntropyLoss()(preds[0], start_token_labels)
    end_loss = nn.CrossEntropyLoss()(preds[1], end_token_labels)

    avg_loss = (start_loss + end_loss) / 2
    return avg_loss

基本上，我正在拆分 logits（只是不连接它们）和标签。然后我对它们都进行交叉熵损失，最后取两者之间的平均损失。希望这能给您一个解决自己问题的想法！

Answer 1

你不应该给CrossEntropyLoss一个1-hot向量，而是直接给标签

Target: (N) 其中每个值是 0≤targets[i]≤C−1 ，或者 (N, d_1, d_2, ..., d_K) 在 K 维损失的情况下 K≥1。

您可以查看文档来重现您的错误：

>>> loss = nn.CrossEntropyLoss()
>>> input = torch.randn(3, 5, requires_grad=True)
>>> target = torch.empty(3, dtype=torch.long).random_(5)
>>> output = loss(input, target)
>>> output.backward()

但如果您将target 更改为target = torch.empty((3, 5), dtype=torch.long).random_(5)，则会出现错误：

RuntimeError: 一维目标张量，不支持多目标

使用 nn.BCELoss 和 logits 作为输入，请参阅此示例：https://discuss.pytorch.org/t/multi-label-classification-in-pytorch/905/41

>>> nn.BCELoss()(torch.softmax(input, axis=1), torch.softmax(target.float(), axis=1))
>>> tensor(0.6376, grad_fn=<BinaryCrossEntropyBackward>)