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)[源代码]¶
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
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()