BCELoss

class torch.nn.BCELoss(weight=None, size_average=None, reduce=None, reduction='mean')

创建一个标准，用于衡量目标概率和输入概率之间的二元交叉熵

未缩减的（即 reduction 设置为 'none'）损失可以描述为

$$\ell(x, y) = L = \{l_1,\dots,l_N\}^\top, \quad l_n = - w_n \left[ y_n \cdot \log x_n + (1 - y_n) \cdot \log (1 - x_n) \right],$$

其中 $N$ 是批大小。如果 reduction 不是 'none'（默认为 'mean'），则

$$\ell(x, y) = \begin{cases} \operatorname{mean}(L), & \text{if reduction} = \text{`mean';}\\ \operatorname{sum}(L), & \text{if reduction} = \text{`sum'.} \end{cases}$$

这用于衡量例如自编码器中重建的误差。请注意，目标 $y$ 应该是 0 到 1 之间的数字。

请注意，如果 $x_n$ 为 0 或 1，则上述损失方程中的一个对数项在数学上是未定义的。PyTorch 选择将 $\log (0) = -\infty$ 设置为 $\log (0) = -\infty$，因为 $\lim_{x\to 0} \log (x) = -\infty$。但是，由于多种原因，损失方程中的无限项是不可取的。

首先，如果 $y_n = 0$ 或 $(1 - y_n) = 0$，那么我们将用 0 乘以无穷大。其次，如果我们有一个无限的损失值，那么我们的梯度中也会有一个无限项，因为 $\lim_{x\to 0} \frac{d}{dx} \log (x) = \infty$。这将使 BCELoss 的反向传播方法相对于 $x_n$ 非线性，并且将其用于线性回归之类的事情将不是直接的。

我们的解决方案是 BCELoss 将其对数函数输出钳制为大于或等于 -100。这样，我们始终可以获得有限的损失值和线性反向传播方法。

参数

• weight (Tensor, 可选) – 给每个批次元素的损失的手动重新缩放权重。如果给定，则必须是大小为 nbatch 的张量。

• size_average (bool, 可选) – 已弃用（请参阅 reduction）。默认情况下，损失在批次中每个损失元素上取平均值。请注意，对于某些损失，每个样本有多个元素。如果字段 size_average 设置为 False，则损失将改为每个小批量求和。当 reduce 为 False 时忽略。默认值：True

• reduce (bool, 可选) – 已弃用（请参阅 reduction）。默认情况下，损失会根据 size_average 在每个小批量的观测值上取平均值或求和。当 reduce 为 False 时，返回每个批次元素的损失，并忽略 size_average。默认值：True

• reduction (str, 可选) – 指定应用于输出的缩减方式：'none' | 'mean' | 'sum'。'none'：不应用缩减，'mean'：输出的总和将除以输出中元素的数量，'sum'：输出将被求和。注意：size_average 和 reduce 正在被弃用，同时，指定这两个参数中的任何一个都将覆盖 reduction。默认值：'mean'

形状

• 输入: $(*)$，其中 * 表示任意数量的维度。

• 目标: $(*)$，与输入相同的形状。

• 输出: 标量。如果 reduction 为 'none'，则 $(*)$，与输入相同的形状。

示例

>>> m = nn.Sigmoid()
>>> loss = nn.BCELoss()
>>> input = torch.randn(3, 2, requires_grad=True)
>>> target = torch.rand(3, 2, requires_grad=False)
>>> output = loss(m(input), target)
>>> output.backward()