深度学习损失计算

深度学习损失计算

1.如何计算当前epoch的损失？

深度学习中的损失计算，通常为数据集的平均损失，即每个样本的平均损失值。计算步骤如下：

• 计算单个批次的损失。每次迭代中，用当前模型预测值和真实值计算损失。假设 _loss 是这次迭代中计算得到的损失。
• 转换为标量。利用item()方法将其转换为标量值。_loss.item()
• 乘以批次大小。乘以批次大小的原因是，希望总损失是所有数据点的损失总和，而不是批次平均损失。
• 累加损失。loss += _loss.item() * batch_size 将当前批次的总损失累加到变量 loss 中。这样所有批次遍历结束后，就得到一个epoch的总损失。
• 计算当前epoch的样本平均损失。通过总损失除以总的数据样本数，来得到平均损失。average_loss = loss/len(dataloader.dataset)【注意：除的是总的数据样本数（len(dataloader.dataset)）！不是总的批次数（len(dataloader)）！】

示例代码如下：

for epoch in total_epoch:  # epoch迭代
    
    total_loss = 0.0  # 初始化总损失

    for inputs, targets in dataloader:  # batch迭代
        outputs = model(inputs)  # 获取预测值
        _loss = criterion(outputs, targets)  # 计算当前批次损失，为批次平均损失

        batch_size = inputs.size(0)  # 获取批次大小
        total_loss += _loss.item() * batch_size  # 计算当前批次的总损失

	# 计算当前epoch的平均损失
    average_loss = total_loss / len(dataloader.dataset)  

2.为什么要计算样本平均损失，而不是计算批次平均损失？

由于每个批次的大小可能不一样，特别是在数据集的大小不是批次大小的整数倍时，所以使用 len(dataloader) 会导致错误的平均损失计算。

下面用一个简单的例子，解释这两种计算方式的不同：

假设数据集有 105 个样本，每个批次大小为 10，这样会有 11 个批次，其中最后一个批次只有 5 个样本。结合上面的伪代码，假设损失值 _loss.item() 是 1，对于 10 个批次的损失是 10，最后一个批次的损失是 5。那么：

• $total\_loss=(1\ast 10)\ast 10+(1\ast 5)\ast 1=105$
• $len(dataloader.dataset)=105$
• $len(dataloader)=11$

计算结果：

• 样本平均损失计算：average_loss = total_loss / len(dataloader.dataset) 即$105/105=1$。
• 批次平均损失计算：average_loss = total_loss / len(dataloader)即$105/11\approx 9.545$。

显然，第一种方式是正确的，反映了每个样本的真实平均损失。

😃😃😃