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)

计算目标和输入 logits 之间的二元交叉熵。

有关详细信息，请参阅 BCEWithLogitsLoss。

参数

• input (张量) – 形状任意的张量，作为未归一化的分数（通常称为 logits）。

• target (张量) – 与输入形状相同的张量，其值介于 0 和 1 之间

• weight (张量, 可选) – 如果提供，则为手动重新缩放权重，它将重复以匹配输入张量形状

• size_average (布尔值, 可选) – 已弃用（请参阅 reduction）。默认情况下，损失在批次中的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，则损失将对每个小批次求和。当 reduce 为 False 时忽略。默认值：True

• reduce (布尔值, 可选) – 已弃用（请参阅 reduction）。默认情况下，损失在每个小批次中根据 size_average 对观测值取平均值或求和。当 reduce 为 False 时，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'

• pos_weight (张量, 可选) – 要与目标广播的正样本的权重。必须是一个张量，其类维度的尺寸与类的数量相同。请密切注意 PyTorch 的广播语义，以实现所需的运算。对于大小为 [B, C, H, W] 的目标（其中 B 是批次大小），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 pos_weight，或 [C, H, W] 对批次应用相同的 pos_weight。要对 2D 多类目标 [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

返回类型

张量

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()