参考：https://blog.csdn.net/L888666Q/article/details/126346022?utm_medium=distribute.pc_relevant.none-task-blog-2~default~baidujs_baidulandingword~default-1-126346022-blog-128974654.235^v38^pc_relevant_default_base&spm=1001.2101.3001.4242.2&utm_relevant_index=4
预测值和标签值都需要进行softmax归一化处理 预测值还需要再进行log计算，标签值不需要
- KL散度 KL散度，又叫相对熵，用于衡量两个分布（离散分布和连续分布）之间的距离。
设 p(x) 、 q(x) 是离散随机变量X的两个概率分布，则 p 对q 的KL散度是:
- 在pytorch中，nn.KLDivLoss()的计算公式如下：
上图y为标签，x为预测值，则pytorch应该以如下代码使用 ：(1)、 lossfunc=nn.KLDivLoss() (2)、loss = lossfunc(预测值, 标签值)
所以，在pytorch中预测值和标签值分别做如下处理：(1)、 F.log_softmax(预测值/ temp, dim=1) (2)、F.softmax(标签值/ temp, dim=1)
登录状态已过期 (若您已重新登录，请刷新当前页面; 若您要同时登录两个设备, 请在登录时选择不同的设备) 标签：relevant,nn,标签,预测值,KLDivLoss,pytorch From： https://www.cnblogs.com/lyp1010/p/17756414.html