关于pytorch交叉熵损失函数使用weight参数来平衡各个类别，即加权交叉熵损失函数

总结

torch.nn.CrossEntropyLoss(weight, reduction=“mean”)的计算方式和一般做法不一样，进行加权计算后，不是直接loss除以batch数量，而是batch中每个数据的标签对应的类别权重 把batch个权重加起来作为除数，被除数是loss

交叉熵损失函数原理

这里就不做介绍了，很多博客和视频已经讲的很清楚了。这里引用一下@b站up同济子豪兄之前的一次动态截图

不带权重的交叉熵计算

这里已经也有很多介绍了，不带权重的情况下，torch.nn.CrossEntropyLoss(reduction=“mean”)的计算和公式里一样。
另外，虽然pytorch里面CrossEntropyLoss的target输入要求是标签或者Probabilities，但是target从标签(batch_size, 1(num_classes))转换成独热编码（torch.nn.functional.one_hot），输出结果是一样的。我感觉是转换成独热编码就相当于target是那个Probabilities了，具体计算过程没细看，结果和手搓的代码一样。

import torch.nn as nn
import torch.nn.functional as F

weight=torch.tensor([1,1,1,1]).float()  # 这里权重都是1，所以结果一样
loss_func_mean = nn.CrossEntropyLoss(weight, reduction="mean")
def ce_loss(y_pred, y_true, weight):

    # 计算 log_softmax，这是更稳定的方式
    log_probs = F.log_softmax(y_pred, dim=-1)

    # 计算加权损失
    loss = -(weight * y_true * log_probs).sum(dim=-1).mean()

    return loss
pre_data = torch.tensor([[0.8, 0.5, 0.2, 0.5],
                         [0.2, 0.9, 0.3, 0.2],
                         [0.4, 0.3, 0.7, 0.1],
                         [0.1, 0.2, 0.4, 0.8]], dtype=torch.float)
tgt_index_data