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)

计算目标值和输入 logits 之间的二元交叉熵。

有关详细信息，请参阅 BCEWithLogitsLoss。

参数

• input (Tensor) – 任意形状的 Tensor，作为未归一化的分数（通常称为 logits）。

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

• weight (Tensor, 可选) – 如果提供手动重缩放权重，则会重复以匹配输入张量形状

• size_average (bool, 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，则损失将改为每个小批量求和。当 reduce 为 False 时忽略。默认值：True

• reduce (bool, 可选) – 已弃用（请参阅 reduction）。默认情况下，损失会根据 size_average 在每个小批量的观测值上取平均值或求和。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 (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；'sum'：输出将求和。注意：size_average 和 reduce 正在逐步弃用，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 (Tensor, 可选) – 正例的权重，将与目标值广播。必须是沿类别维度大小等于类别数的张量。请密切关注 PyTorch 的广播语义，以实现所需的操作。对于大小为 [B, C, H, W]（其中 B 是批次大小）的目标值，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，或 [C, H, W] 对整个批次应用相同的 pos_weight。要对 2D 多类目标值 [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

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()