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)

计算目标与输入 logits 之间的二元交叉熵。

详细内容请见 BCEWithLogitsLoss 。

参数:

• input (Tensor) – 随机形状的 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，其值介于 0 和 1 之间

• 权重（张量，可选）- 如果提供，则重复以匹配输入张量形状的手动缩放权重。

• size_average（布尔值，可选）- 已弃用（参见 reduction ）。默认情况下，损失在批次的每个损失元素上平均。注意，对于某些损失，每个样本可能有多个元素。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（布尔值，可选）- 已弃用（参见 reduction ）。默认情况下，损失会在每个 minibatch 的观测上平均或求和，具体取决于 size_average 。当 reduce 为 False 时，将返回每个批次的损失，并忽略 size_average 。默认： True

• reduction（字符串，可选）- 指定应用于输出的缩减方式： 'none' | 'mean' | 'sum' 。 'none' ：不应用缩减， 'mean' ：输出总和将除以输出中的元素数量， 'sum' ：输出将被求和。注意： size_average 和 reduce 正在被弃用，在此期间，指定这两个参数之一将覆盖 reduction 。默认： 'mean'

• pos_weight（张量，可选）- 要与目标广播的正面示例的权重。必须是一个与类维度的类别数量相等的张量。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，pos_weight 的大小为[B, C, H, W]将应用于批次的每个元素或[C, H, W]在整个批次中使用相同的 pos_weights。对于 2D 多类目标[C, H, W]，要在所有空间维度上应用相同的正权重，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()