问使用PyTorch的交叉熵损失函数是否需要One-Hot编码？

EN

nn.CrossEntropyLoss需要整数标签。它在内部所做的是，它根本不会对类标签进行一次性编码，而是使用标签索引到输出概率向量中，以计算损失，如果您决定使用这个类作为最终标签的话。这个小但重要的细节使得计算损失变得更容易，并且等同于执行one-hot编码，测量每个输出神经元的输出损失，因为输出层中的每个值都将为零，但在目标类上索引的神经元除外。因此，如果您已经提供了标签，则不需要对数据进行一次性编码。

文档对此有更多的见解：https://pytorch.org/docs/master/generated/torch.nn.CrossEntropyLoss.html。在文档中，您将看到targets，它是输入参数的一部分。这些是您的标签，它们被描述为：

​

​

这清楚地显示了输入应该如何形成以及预期的内容。如果您实际上想要对数据进行一次性编码，则需要使用torch.nn.functional.one_hot。为了最好地复制交叉熵损失在幕后所做的事情，您还需要nn.functional.log_softmax作为最终输出，并且您还必须编写自己的损失层，因为没有一个PyTorch层使用log softmax输入和one-hot编码目标。但是，nn.CrossEntropyLoss将这两种操作组合在一起，如果您的输出只是类标签，那么最好使用它，这样就不需要进行转换。

如果您正在加载ImageLoader以从文件夹本身加载数据集，则PyTorch将自动为您标记它们。您所要做的就是像这样构造文件夹：

|
|__train
|   |
|   |__1
|   |_ 2
|   |_ 3
|   .
|   .
|   .
|   |_10
|
|__test
    |
    |__1
    |_ 2
    |_ 3
    .
    .
    .
    |_10

每个类都应该有一个单独的文件夹。如果您从DataFrame加载数据，您可以使用以下代码对其进行编码：

one_hot = torch.nn.functional.one_hot(target)