softmax_with_cross_entropy

softmax_with_cross_entropy

paddle.nn.functional.softmax_with_cross_entropy ( logits, label, soft_label\=False, ignore_index\=- 100, numeric_stable_mode\=True, return_softmax\=False, axis\=- 1 ) [源代码]

该OP实现了softmax交叉熵损失函数。该函数会将softmax操作、交叉熵损失函数的计算过程进行合并，从而提供了数值上更稳定的梯度值。

因为该运算对 logits 的 axis 维执行softmax运算，所以它需要未缩放的 logits 。该运算不应该对softmax运算的输出进行操作，否则会产生错误的结果。

当 soft_label 为 False 时， label 除了 axis 维度上的形状为1，其余维度和 logits 一致，表示一批数据中的每一个样本仅可分类到一个类别。

涉及到的等式如下:

硬标签（每个样本仅可分到一个类别）

软标签（每个样本以一定的概率被分配至多个类别中，概率和为1）

如果 numeric_stable_mode 为 True ，softmax结果首先经由下式计算得出，然后使用softmax结果和 label 计算交叉熵损失。

maxjlog_max_sumjsoftmaxj\=maxi\=0Klogitsi\=log∑i\=0Kexp(logitsi−maxj)\=exp(logitsj−maxj−log_max_sumj)maxj\=maxi\=0Klogitsilog_max_sumj\=log⁡∑i\=0Kexp⁡(logitsi−maxj)softmaxj\=exp⁡(logitsj−maxj−log_max_sumj)

参数：

logits (Tensor) - 维度为任意维的多维 Tensor ，数据类型为float32或float64。表示未缩放的输入。
label (Tensor) - 如果 soft_label 为True， label 是一个和 logits 维度相同的的 Tensor 。如果 soft_label 为False， label 是一个在axis维度上大小为1，其它维度上与 logits 维度相同的 Tensor 。
soft_label (bool, 可选) - 指明是否将输入标签当作软标签。默认值：False。
ignore_index (int, 可选) - 指明要无视的目标值，使其不对输入梯度有贡献。仅在 soft_label 为False时有效，默认值：kIgnoreIndex（-100）。
numeric_stable_mode (bool, 可选) – 指明是否使用一个具有更佳数学稳定性的算法。仅在 soft_label 为 False的GPU模式下生效。若 soft_label 为 True或者执行设备为CPU，算法一直具有数学稳定性。注意使用稳定算法时速度可能会变慢。默认值：True。
return_softmax (bool, 可选) – 指明是否在返回交叉熵计算结果的同时返回softmax结果。默认值：False。
axis (int, 可选) – 执行softmax计算的维度索引。其范围为 [−1，rank−1][−1，rank−1] ，其中 rank 是输入 logits 的秩。默认值：-1。

如果 return_softmax 为 False，则返回交叉熵损失结果的 Tensor ，数据类型和 logits 一致，除了 axis 维度上的形状为1，其余维度和 logits 一致。
如果 return_softmax 为 True，则返回交叉熵损失结果的 Tensor 和softmax结果的 Tensor 组成的元组。其中交叉熵损失结果的数据类型和 logits 一致，除了 axis 维度上的形状为1，其余维度上交叉熵损失结果和 logits 一致；softmax结果的数据类型和 logits 一致，维度和 logits 一致。

返回类型：变量或者两个变量组成的元组

代码示例

import paddle
import numpy as np
data = np.random.rand(128).astype("float32")
label = np.random.rand(1).astype("int64")
data = paddle.to_tensor(data)
label = paddle.to_tensor(label)
linear = paddle.nn.Linear(128, 100)
x = linear(data)
out = paddle.nn.functional.softmax_with_cross_entropy(logits=x, label=label)
print(out)