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]

计算目标与输入对数几率之间的二元交叉熵。

详情请参阅BCEWithLogitsLoss。

参数

• 输入 (Tensor) – 任意形状的张量，表示未归一化的分数（通常称为 logits）。

• target (Tensor) – 形状与输入张量相同的张量，其值介于 0 和 1 之间

• weight (Tensor, 可选) – 手动提供的重缩放权重，如果提供的话，它会被重复以匹配输入张量的形状

• size_average (bool, optional) – 已弃用（请参见reduction）。默认情况下，损失值会在批次中的每个损失元素上进行平均计算。需要注意的是，对于某些损失函数，每个样本包含多个损失元素。如果将字段 size_average 设置为 False，则损失值会针对每个小批量进行求和。当参数 reduce 为 False 时，此设置会被忽略。默认值： True

• reduce (bool, optional) – 已弃用（请参见reduction）。默认情况下，损失值会根据size_average参数在每个小批量中进行平均或求和。当reduce为False时，返回每批元素的单独损失值，并忽略size_average设置。默认值：True

• reduction (str, 可选) – 指定要应用于输出的缩减方式：'none' | 'mean' | 'sum'。
  'none': 不进行任何缩减，'mean': 输出总和除以元素数量，'sum': 对输出求和。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将覆盖 reduction 参数。默认值： 'mean'

• pos_weight (Tensor, optional) – 正例的权重，与目标进行广播。必须是一个张量，在类别维度上的大小要和类的数量相等。请注意 PyTorch 的广播语义以实现所需的运算。对于大小为 [B, C, H, W]（其中 B 是批量大小）的目标，pos_weight 大小为 [B, C, H, W] 将对每个批次中的元素应用不同的正权重；或者 [C, H, W] 对整个批次使用相同的正权重。对于一个 1D 或 2D 的多类目标 [C, H, W]，若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

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()