BCEWithLogitsLoss

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

此损失函数将 Sigmoid 层和 BCELoss 结合在一个类中。此版本比使用普通的 Sigmoid 后跟 BCELoss 在数值上更稳定，因为通过将操作合并到一个层中，我们利用了 log-sum-exp 技巧来实现数值稳定性。

未约简的损失（即 reduction 设置为 'none'）可以描述为

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

其中 $N$ 是批次大小。如果 reduction 不是 'none'（默认 '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 t[i] 应该是 0 到 1 之间的数字。

可以通过为正例添加权重来权衡召回率和精确率。在多标签分类的情况下，损失可以描述为

$$\ell_c(x, y) = L_c = \{l_{1,c},\dots,l_{N,c}\}^\top, \quad l_{n,c} = - w_{n,c} \left[ p_c y_{n,c} \cdot \log \sigma(x_{n,c}) + (1 - y_{n,c}) \cdot \log (1 - \sigma(x_{n,c})) \right],$$

其中 $c$ 是类别编号（对于多标签二元分类，$c > 1$，对于单标签二元分类，$c = 1$），$n$ 是批次中样本的数量，$p_c$ 是类别 $c$ 的正例答案的权重。

$p_c > 1$ 增加召回率，$p_c < 1$ 增加精确率。

例如，如果数据集包含 100 个正例和 300 个负例的单类，则该类的 pos_weight 应等于 $\frac{300}{100}=3$。损失将表现得好像数据集包含 $3\times 100=300$ 个正例。

示例

>>> target = torch.ones([10, 64], dtype=torch.float32)  # 64 classes, batch size = 10
>>> output = torch.full([10, 64], 1.5)  # A prediction (logit)
>>> pos_weight = torch.ones([64])  # All weights are equal to 1
>>> criterion = torch.nn.BCEWithLogitsLoss(pos_weight=pos_weight)
>>> criterion(output, target)  # -log(sigmoid(1.5))
tensor(0.20...)

在上面的示例中，pos_weight 张量的元素对应于多标签二元分类场景中的 64 个不同类别。pos_weight 中的每个元素都旨在根据相应类别的负样本和正样本之间的不平衡来调整损失函数。这种方法在类别不平衡程度不同的数据集中非常有用，确保损失计算能够准确地解释每个类别中的分布情况。

参数

• weight (Tensor, 可选) – 手动调整每个批次元素损失的权重。如果给定，则必须是大小为 nbatch 的张量。

• size_average (bool, 可选) – 已弃用（参见 reduction）。默认情况下，损失会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，则损失将改为在每个小批量中求和。当 reduce 为 False 时，此参数将被忽略。默认值：True

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

• reduction (str, 可选) – 指定应用于输出的归约方式：'none' | 'mean' | 'sum'。'none'：不应用归约；'mean'：输出的总和将除以输出中的元素数量；'sum'：输出将被求和。注意：size_average 和 reduce 正在逐步弃用，同时，指定这两个参数中的任何一个都将覆盖 reduction。默认值：'mean'

• pos_weight (Tensor, 可选) – 正例的权重，将与目标张量进行广播。必须是一个张量，其类别维度的大小与类别数量相等。请密切注意 PyTorch 的广播语义，以实现所需的操作。对于大小为 [B, C, H, W]（其中 B 是批次大小）的目标张量，大小为 [B, C, H, W] 的 pos_weight 将对批次中的每个元素应用不同的正权重，而大小为 [C, H, W] 的 pos_weight 将在批次中应用相同的正权重。要对 2D 多类别目标张量 [C, H, W] 的所有空间维度应用相同的正权重，请使用：[C, 1, 1]。默认值：None

形状

• 输入: $(*)$, 其中 $*$ 表示任意数量的维度。

• 目标: $(*)$, 与输入形状相同。

• 输出: 标量。如果 reduction 为 'none'，则为 $(*)$，与输入形状相同。

示例

>>> loss = nn.BCEWithLogitsLoss()
>>> input = torch.randn(3, requires_grad=True)
>>> target = torch.empty(3).random_(2)
>>> output = loss(input, target)
>>> output.backward()