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)[source][source]¶
计算 target 和 input logits 之间的二元交叉熵。
- 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
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()