1. Learn
    2. /
  2. Courses
    3. /
  3. Introduction au Deep Learning avec PyTorch
Connected

Exercise

Calculer la perte d'entropie croisée

La perte d'entropie croisée est une méthode largement utilisée pour mesurer la perte en classification. Dans cet exercice, vous calculerez l'entropie croisée dans PyTorch à l'aide de :

  • y : l'étiquette véritable (ground truth).
  • scores : un vecteur de prédictions avant softmax.

Les fonctions de perte aident les réseaux neuronaux à apprendre en mesurant les erreurs de prédiction. Créez un vecteur à codage one-hot pour y, définissez la fonction de perte d'entropie croisée et calculez la perte à partir de scores et de l'étiquette encodée. Le résultat sera un seul nombre à virgule flottante représentant la perte de l'exemple.

torch, CrossEntropyLoss et torch.nn.functional sous le nom F ont déjà été importés pour vous.

Instructions 1/3

undefined XP
    1
    2
    3
  • Créez le vecteur one-hot de l'étiquette véritable y, avec 4 caractéristiques (une par classe), et assignez-le à one_hot_label.