BCEWithLogitsLoss¶
- class torch.nn.BCEWithLogitsLoss(weight=None, size_average=None, reduce=None, reduction='mean', pos_weight=None)[source][source]¶
此损失结合了 Sigmoid 层和 BCELoss,集成在一个类中。通过将操作合并为一个层,利用 log-sum-exp 技巧提高了数值稳定性,因此此版本比简单地顺序使用 Sigmoid 和 BCELoss 更具数值稳定性。
未归约的损失(即,当
reduction
设置为'none'
时)可以描述为其中 是批量大小。如果
reduction
不是'none'
(默认为'mean'
),则这用于衡量例如自编码器中的重构误差。注意,目标 t[i] 应该是 0 到 1 之间的数。
通过为正例添加权重,可以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
其中 是类别号(对于多标签二分类 ,对于单标签二分类 ), 是批次中样本的编号, 是类别 的正例权重。
增加召回率, 增加精确率。
例如,如果一个数据集包含一个类别的 100 个正样本和 300 个负样本,则该类别的
pos_weight
应等于 。损失函数的作用就如同数据集包含 个正样本一样。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...)
在上面的例子中,
pos_weight
张量中的元素对应于多标签二分类场景中的 64 个不同类别。pos_weight
中的每个元素都用于根据对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,可确保损失计算准确地考虑每个类别的分布。- 参数
weight (Tensor, 可选) – 对每个批次元素损失的手动重新缩放权重。如果给定,必须是大小为 nbatch 的 Tensor。
size_average (bool, 可选) – 已废弃(请参阅
reduction
)。默认情况下,损失会在批次中的每个损失元素上进行平均。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
,则损失将改为对每个小批次求和。当reduce
为False
时忽略。默认值:True
reduce (bool, 可选) – 已废弃(请参阅
reduction
)。默认情况下,损失会根据size_average
对每个小批次的观测值进行平均或求和。当reduce
为False
时,将返回每个批次元素的损失,并忽略size_average
。默认值:True
reduction (str, 可选) – 指定要应用于输出的归约方法:
'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
正在废弃中,同时指定这两个参数中的任何一个都会覆盖reduction
。默认值:'mean'
pos_weight (Tensor, 可选) – 用于与目标张量进行广播运算的正样本权重。它必须是一个在类别维度上与类别数量大小相等的张量。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] 的目标张量(其中 B 为批次大小),大小为 [B, C, H, W] 的 pos_weight 会对批次的每个元素应用不同的 pos_weights,而大小为 [C, H, W] 的 pos_weight 则会在整个批次中应用相同的 pos_weights。要对 2D 多类别目标 [C, H, W] 在所有空间维度上应用相同的正样本权重,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()