torcheval.metrics.functional.binary_normalized_entropy

torcheval.metrics.functional.binary_normalized_entropy(input: Tensor, target: Tensor, *, weight: Tensor | None = None, num_tasks: int = 1, from_logits: bool = False) → Tensor

计算预测输入和真实二元目标之间的归一化二元交叉熵。其类版本为 torcheval.metrics.binary_normalized_entropy

参数：

• input (Tensor) – 预测的未归一化分数（通常称为 logits）或二元类概率（num_tasks, num_samples）。

• target (Tensor) – 真实二元类索引（num_tasks, num_samples）。

• weight (Tensor) – 可选。手动重新缩放权重以匹配输入张量形状（num_tasks, num_samples）。

• num_tasks (int) – 需要计算 BinaryNormalizedEntropy 的任务数量。默认值为 1。

• from_logit (bool) – 一个布尔指示符，表示预测值 y_pred 是一个浮点型 logit 值（即，当 from_logits=True 时值为 [-inf, inf]）还是一个概率值（即，当 from_logits=False 时值为 [0., 1.]）默认值为 False。

示例

>>> import torch
>>> from torcheval.metrics.functional import binary_normalized_entropy

>>> input = torch.tensor([0.2, 0.3])
>>> target = torch.tensor([1.0, 0.0])
>>> weight = None
>>> binary_normalized_entropy(input, target, weight, from_logits=False)
tensor(1.4183, dtype=torch.float64)

>>> input = torch.tensor([0.2, 0.3])
>>> target = torch.tensor([1.0, 0.0])
>>> weight = torch.tensor([5.0, 1.0])
>>> binary_normalized_entropy(input, target, weight, from_logits=False)
tensor(3.1087, dtype=torch.float64)

>>> input = torch.tensor([-1.3863, -0.8473])
>>> target = torch.tensor([1.0, 0.0])
>>> weight = None
>>> binary_normalized_entropy(input, target, weight, from_logits=True)
tensor(1.4183, dtype=torch.float64)

>>> input = torch.tensor([[0.2, 0.3], [0.5, 0.1]])
>>> target = torch.tensor([[1.0, 0.0], [0.0, 1.0]])
>>> weight = None
>>> binary_normalized_entropy(input, target, weight, from_logits=True)
tensor([1.4183, 2.1610], dtype=torch.float64)