利用sigmoid输出计算Pytorch的交叉熵损失

Question

我试图修改YoloV1来处理我的任务，每个对象只有一个类。（例如：obj不能同时是猫和狗）

由于架构（其他输出，如定位预测，必须使用回归），因此sigmoid应用于模型的最后一个输出（f.sigmoid（接近最后一个输出））。对于分类，yolo 1也使用MSE作为损失。但据我所知，MSE有时比不上交叉熵，对于一个我想要的热点

和specific:GT类似：0 0 0 0 1（假设我们总共只有5个类，每个类只有一个类，所以其中只有一个数字1，当然在本例中这是第5个类）

分类部分的输出模型：0.1 0.1 0.9 0.2 0.1

我发现一些关于使用nn.BCE/nn.BCEWithLogitsLoss的建议，但我认为我应该在这里要求更多的正确答案，因为我不擅长数学，也许我在某个地方错了，所以只要要求了解更多，确定我应该正确使用什么

Answer 1

1. MSE损失通常用于回归问题

2. 对于二进制分类，可以使用BCE或BCEWithLogitsLossBCEWithLogitsLoss将sigmoid与BCE丢失结合起来，因此如果在最后一层上应用了sigmoid，则可以直接使用BCE

3. 在您的案例中提到的GT涉及“多类”分类问题，并且显示的输出实际上并不对应于multi-class分类。因此，在这种情况下，您可以应用CrossEntropyLoss，它结合了softmax和log loss，适用于“多类”分类问题