Deep learning 我应该使用什么样的损失函数来解决这个多类多标签（？）问题？

在我的实验中，我试图训练一个神经网络来检测患者是否表现出症状a、B、C、D。我的数据包括每个患者不同角度的照片以及他们是否有症状a、B、C、D

现在，在pytoch中，我正在使用MSELoss并将我的测试错误计算为分类总数中正确分类的总数。我猜这太天真了，甚至不合适

测试误差计算示例如下：

---

假设我们有两个患者，每个患者有两张图像。然后将有16个总分类（1个用于患者1是否有症状A、B、C、D，如照片1所示，等等）。如果模型正确预测了照片1中患者1出现症状A，那么正确分类的总数将增加1

我建议在多类别多标签分类中使用

二进制交叉熵。对于多标签分类来说，这似乎违反直觉，但请记住，这里的目标是将每个输出标签视为一个独立的发行版（或类）

在
pytorch
中，您可以使用
torch.nn.BCELoss（重量=无，尺寸=无，减少=无，减少=平均值）
。这创建了一个标准，用于测量目标和输出之间的二进制交叉熵。
值得一提的是，输出层应具有sigmoid激活。或者，使用无激活和
BCEWithLogitsLoss
，它内置了一个sigmoid，并且在数值上更稳定。但是OP说它是多类的，所以我们不需要规则的交叉熵吗？不是二元的。@jchaykow OP试图按照二元分类A、B、C、D对一名患者进行分类，这是一个有4个预测的二元分类问题。