torch.nn.functional.binary_cross_entropy_with_logits

torch.nn.functional.binary_cross_entropy_with_logits(input, target, weight=None, size_average=None, reduce=None, reduction='mean', pos_weight=None)

计算 target 和 input logits 之间的二元交叉熵。

详见 BCEWithLogitsLoss。

参数

• input (Tensor) – 形状任意的 Tensor，作为未归一化得分（通常称为 logits）。

• target (Tensor) – 与 input 形状相同的 Tensor，值介于 0 和 1 之间

• weight (Tensor, optional) – 手动重新缩放的权重，如果提供，它会重复以匹配 input tensor 的形状

• size_average (bool, optional) – 已弃用（详见 reduction）。默认情况下，损失值在批次中的每个损失元素上取平均。注意，对于某些损失函数，每个样本有多个元素。如果 size_average 字段设置为 False，则损失值将改为在每个 minibatch 上求和。当 reduce 为 False 时忽略此参数。默认值: True

• reduce (bool, optional) – 已弃用（详见 reduction）。默认情况下，损失值根据 size_average 在每个 minibatch 的观察值上取平均或求和。当 reduce 为 False 时，改为返回每个批次元素的损失值，并忽略 size_average。默认值: True

• reduction (str, optional) – 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 正在弃用过程中，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'

• pos_weight (Tensor, optional) – 正样本的权重，将与 target 进行广播。必须是一个 tensor，其类别维度的大小等于类别数量。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 target（其中 B 为批次大小），大小为 [B, C, H, W] 的 pos_weight 将对批次的每个元素应用不同的 pos_weight，而 [C, H, W] 将对整个批次应用相同的 pos_weight。要在 2D 多类别 target [C, H, W] 的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

返回类型

Tensor

示例

>>> input = torch.randn(3, requires_grad=True)
>>> target = torch.empty(3).random_(2)
>>> loss = F.binary_cross_entropy_with_logits(input, target)
>>> loss.backward()