Deep learning 在pytorch中，如何使用F.cross_entropy（）中的权重参数？

我正在尝试编写一些代码，如下所示：

x = Variable(torch.Tensor([[1.0,2.0,3.0]]))
y = Variable(torch.LongTensor([1]))
w = torch.Tensor([1.0,1.0,1.0])
F.cross_entropy(x,y,w)
w = torch.Tensor([1.0,10.0,1.0])
F.cross_entropy(x,y,w)

然而，交叉熵损失的输出总是1.4076无论w是什么。F.cross_熵（）的权重参数后面是什么？如何正确使用它？

---

我正在使用pytorch 0.3

参数

weight

用于根据所有输入的目标类计算加权结果。如果您只有一个输入或同一目标类别的所有输入，

weight

不会影响损失

但是，请参见不同目标类别的2个输入的差异：

导入火炬
导入torch.nn.功能为F
从torch.autograd导入变量
x=变量（火炬张量（[[1.0,2.0,3.0]，[1.0,2.0,3.0]]））
y=变量（火炬长传感器（[1,2]））
w=火炬张量（[1.0,1.0,1.0]）
res=F.交叉熵（x，y，w）
# 0.9076
w=火炬张量（[1.0,10.0,1.0]）
res=F.交叉熵（x，y，w）
# 1.3167

权重参数用于根据所有输入的目标类计算加权结果。如果您只有一个输入或同一目标类别的所有输入，

weight

不会影响损失

但是，请参见不同目标类别的2个输入的差异：

导入火炬
导入torch.nn.功能为F
从torch.autograd导入变量
x=变量（火炬张量（[[1.0,2.0,3.0]，[1.0,2.0,3.0]]））
y=变量（火炬长传感器（[1,2]））
w=火炬张量（[1.0,1.0,1.0]）
res=F.交叉熵（x，y，w）
# 0.9076
w=火炬张量（[1.0,10.0,1.0]）
res=F.交叉熵（x，y，w）
# 1.3167
<代码> >我没有找到一个实际的表达式来显示权重是如何使用的，C++是很难破解的，任何线索我都能找到这些细节？@ Pixelou:你可以在 Trask.NN。我的缺点是，我读这个问题太快了，尽管它是关于二进制CE的。你仍然回答了我的问题；-）：在您链接的python代码中，它显示后者在pytorch中使用点权重，而不是类权重。@pixelou：很高兴它能有所帮助！：）我没有找到一个实际的表达式来显示权重是如何使用的，C++是很难破解的，我能找到这些细节的线索吗？@ Pixelou:你可以在<代码> Trask.NN。我的缺点是，我读这个问题太快了，尽管它是关于二进制CE的。你仍然回答了我的问题；-）：在您链接的python代码中，它显示后者在pytorch中使用点权重，而不是类权重。@pixelou：很高兴它能有所帮助！：）