pytorch mnist分類的損失函數選啥

對于 PyTorch 中的 MNIST 分類任務，通常推薦使用交叉熵損失函數（Cross-Entropy Loss）。這是因為交叉熵損失函數在分類問題中表現良好，特別是在處理多類分類問題時。

以下是使用交叉熵損失函數的示例代碼：

import torch
import torch.nn as nn
import torch.optim as optim

# 定義模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(28*28, 128)
        self.fc2 = nn.Linear(128, 64)
        self.fc3 = nn.Linear(64, 10)
        self.relu = nn.ReLU()
        self.dropout = nn.Dropout(0.5)
        
    def forward(self, x):
        x = self.relu(self.fc1(x))
        x = self.dropout(x)
        x = self.relu(self.fc2(x))
        x = self.dropout(x)
        x = self.fc3(x)
        return x

# 加載數據集
train_dataset = torchvision.datasets.MNIST(root='./data', train=True, download=True)
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=32, shuffle=True)

val_dataset = torchvision.datasets.MNIST(root='./data', train=False, download=True)
val_loader = torch.utils.data.DataLoader(val_dataset, batch_size=32, shuffle=False)

# 初始化模型、損失函數和優化器
model = Net()
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

# 訓練模型
num_epochs = 10
for epoch in range(num_epochs):
    for images, labels in train_loader:
        optimizer.zero_grad()
        
        outputs = model(images)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
    
    print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}')

在這個示例中，我們使用了 PyTorch 的 nn.CrossEntropyLoss 類來實現交叉熵損失函數。這個損失函數會自動應用 softmax 操作，因此你不需要在模型的最后一層顯式地添加 softmax 層。