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]¶
衡量目标和输入概率之间的二元交叉熵。
有关详细信息,请参见
BCELoss
。- 参数
input (张量) – 作为概率的任意形状的张量。
target (张量) – 与输入形状相同的张量,其值介于 0 到 1 之间。
weight (张量, 可选) – 如果提供手动重新缩放权重,则将其重复以匹配输入张量形状
size_average (布尔值, 可选) – 已弃用(请参见
reduction
)。默认情况下,损失在批次中的每个损失元素上平均。请注意,对于某些损失,每个样本可能有多个元素。如果字段size_average
设置为False
,则损失将改为针对每个小批量进行求和。在 reduce 为False
时忽略。默认值:True
reduce (布尔值, 可选) – 已弃用(请参见
reduction
)。默认情况下,损失在每个小批量的观测值上平均或求和,具体取决于size_average
。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 (字符串, 可选) – 指定要应用于输出的约简:
'none'
|'mean'
|'sum'
。'none'
:不应用任何约简,'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
正在被弃用,同时,指定这两个参数中的任何一个都会覆盖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()