torch.nn.functional.binary_cross_entropy¶
- torch.nn.functional.binary_cross_entropy(input, target, weight=None, size_average=None, reduce=None, reduction='mean')[源代码][源代码]¶
衡量目标和输入概率之间的二元交叉熵。
详见
BCELoss
。- 参数
input (Tensor) – 任意形状的 Tensor,表示概率。
target (Tensor) – 与 input 形状相同的 Tensor,其值在 0 到 1 之间。
weight (Tensor, 可选) – 手动重缩放权重,如果提供,将重复以匹配 input Tensor 的形状。
size_average (bool, 可选) – 已弃用(见
reduction
)。默认情况下,损失值会按批次中的每个损失元素进行平均。请注意,对于某些损失函数,每个样本可能有多个元素。如果字段size_average
设置为False
,则损失值将改为对每个 minibatch 求和。当 reduce 为False
时忽略。默认值:True
reduce (bool, 可选) – 已弃用(见
reduction
)。默认情况下,损失值会根据size_average
对每个 minibatch 的观察值进行平均或求和。当reduce
为False
时,将返回每个批次元素的损失值,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'
:输出将求和。注意:size_average
和reduce
正在被弃用,在此期间,指定这两个参数中的任何一个都将覆盖reduction
。默认值:'mean'
- 返回类型
示例
>>> input = torch.randn(3, 2, requires_grad=True) >>> target = torch.rand(3, 2, requires_grad=False) >>> loss = F.binary_cross_entropy(torch.sigmoid(input), target) >>> loss.backward()