Python 如何使用torch.nn.CrossEntropyLoss作为自动编码器'；什么是重建损失？

我想使用CrossEntropyLoss计算自动编码器的重建精度：

ae_criterion = nn.CrossEntropyLoss()
ae_loss = ae_criterion(X, Y)

其中，

X

是自动编码器的重建，而

Y

是目标（因为它是一个自动编码器，

Y

与原始输入

X

相同）。

X

和

Y

都具有形状

[42,32,130]=[批大小、时间步长、类数]

。当我运行上面的代码时，我得到以下错误：

ValueError:预期的目标大小（42130），获取火炬。大小（[42,32， 130]）

查看文档后，我仍然不确定如何以适当的方式调用

nn.CrossEntropyLoss（）

。似乎我应该将Y的形状更改为

[42,32,1]

，每个元素都是区间

[0129]

（或

[1130]

）中的标量，对吗

---

有没有办法避免这种情况？由于

X

和

Y

介于

0

和

1

之间，我可以用一种等效的方式使用二进制交叉熵损失元素吗？

对于

交叉熵权

，Y的形状必须是（42,32），每个元素必须是区间[0,129]中的长标量

---

您可能需要使用

BCELoss

或

BCEWithLogitsLoss

来解决您的问题。

交叉入口权限

通常用于分类问题。你可能应该使用

MSELoss

或类似的工具。@iacolippo不，我的数据集是由离散事件的时间序列组成的，所以我实际上在做分类。哦，我的错，误读了这个问题。您不想在最后一个维度上使用argmax有什么原因吗？（使用类的idx而不是一个热向量）。否则，您可以按照答案中的建议使用

BCELoss

。主要是为了计算效率，我不想在每次训练迭代中都进行计算。但这似乎是唯一的方法，因为我的三维空间是softmax层的输出，我认为

BCELoss

在这里不合适。如果你看看执行argmax需要多少时间，我很确定，与所有其他的相比，它可以忽略不计：-）在这种情况下，您确定使用

BCELoss

等同于

CrossEntropyLoss

？我的最后一个维度是超过130个类的softmax层的输出，不确定它是否与使用元素级

BCELoss

相同。