二分类任务、多分类任务、多标签分类任务、回归任务的代码实现上的区别和联系

区别和联系：?

在PyTorch中，不同类型任务的主要区别在于输出层的设计和损失函数的选择：

• 二分类任务：（一个图片被分类为猫或者狗，被分类成2个分类中的一种）
• 实现方式1：使用单个输出节点和Sigmoid激活，损失函数通常是BCELoss。
• 实现方式2：使用两个输出节点和Softmax激活函数，通常使用CrossEntropyLoss。
• 多分类任务：使用与类别数相等的输出节点和Softmax激活，损失函数是CrossEntropyLoss。（一个图片被分类为猫、狗、老鼠、青蛙....，可能被分类成多个分类中的一种）
• 多标签分类任务：使用与标签数相等的输出节点和Sigmoid激活，损失函数是BCELoss或BCEWithLogitsLoss。（一个图片既包含猫，还包含狗，它同时含有多个标签）
• 回归任务：单个输出节点，无激活函数，损失函数通常是MSELoss。

备注：其中“?二分类的实现方式2 ”和“ 多分类任务 ”实现方式是一样的

---

代码实现上：

1、二分类任务

实现方式1：

使用单个输出节点和Sigmoid激活，损失函数通常是BCELoss。

class BinaryClassificationModel(nn.Module):
    def __init__(self):
        super(BinaryClassificationModel, self).__init__()
        self.layer = nn.Linear(10, 1)
    def forward(self, x):
        return torch.sigmoid(self.layer(x))

criterion = nn.BCELoss()

?实现方式2：

使用两个输出节点和Softmax激活函数，通常使用CrossEntropyLoss。

class BinaryModelSoftmax(nn.Module):
    def __init__(self):
        super(BinaryModelSoftmax, self).__init__()
        self.layer = nn.Linear(10, 2)
    def forward(self, x):
        return torch.softmax(self.layer(x), dim=1)

criterion_softmax = nn.CrossEntropyLoss()

2、多分类任务

多分类任务：使用与类别数相等的输出节点和Softmax激活，损失函数是CrossEntropyLoss。

class MulticlassClassificationModel(nn.Module):
    def __init__(self):
        super(MulticlassClassificationModel, self).__init__()
        self.layer = nn.Linear(10, 3)
    def forward(self, x):
        return torch.softmax(self.layer(x), dim=1)
criterion = nn.CrossEntropyLoss()

3、多标签分类任务

多标签分类任务：使用与标签数相等的输出节点和Sigmoid激活，损失函数是BCELoss或BCEWithLogitsLoss。

class MultiLabelClassificationModel(nn.Module):
    def __init__(self):
        super(MultiLabelClassificationModel, self).__init__()
        self.layer = nn.Linear(10, 3)
    def forward(self, x):
        return torch.sigmoid(self.layer(x))

criterion = nn.BCEWithLogitsLoss()

4、回归任务

回归任务：单个输出节点，无激活函数，损失函数通常是MSELoss。

class RegressionModel(nn.Module):
    def __init__(self):
        super(RegressionModel, self).__init__()
        self.layer = nn.Linear(10, 1)
    def forward(self, x):
        return self.layer(x)

criterion = nn.MSELoss()