BCEWithLogitsLoss

class BCEWithLogitsLoss(reduction: str = 'mean')[来源]

基础类：PointwiseLoss

二元交叉熵损失。

对于标签函数 \(l:\mathcal{E} \times \mathcal{R} \times \mathcal{E} \rightarrow \{0,1\}\) 和交互函数 \(f:\mathcal{E} \times \mathcal{R} \times \mathcal{E} \rightarrow \mathbb{R}\)，二元交叉熵损失定义为：

\[L(h, r, t) = -(l(h,r,t) \cdot \log(\sigma(f(h,r,t))) + (1 - l(h,r,t)) \cdot \log(1 - \sigma(f(h,r,t))))\]

其中表示逻辑S型函数

\[\sigma(x) = \frac{1}{1 + \exp(-x)}\]

注意

softplus激活函数 \(h_{\text{softplus}}(x) = -\log(\sigma(x))\).

因此，问题被框定为三元组的二元分类问题，其中交互函数的输出被视为logits。

警告

这种损失不太适合用于平移距离模型，因为这些模型会产生负距离作为分数，并且无法产生正的模型输出。

注意

相关的 torch 模块是 torch.nn.BCEWithLogitsLoss，但由于 PyKEEN 的损失函数中实现了扩展功能，因此不能互换使用。

初始化损失。

Parameters:

reduction (str) – 减少方式，参见 pykeen.nn.modules._Loss

属性摘要

synonyms

这个损失的近义词

方法总结

forward(scores, labels)

定义每次调用时执行的计算。

属性文档

synonyms: ClassVar[set[str] | None] = {'Negative Log Likelihood Loss'}

这个损失的近义词

方法文档

forward(scores: Tensor, labels: Tensor) → Tensor[来源]

定义每次调用时执行的计算。

应该由所有子类覆盖。

注意

尽管前向传递的配方需要在此函数内定义，但之后应该调用Module实例而不是这个，因为前者负责运行已注册的钩子，而后者则默默地忽略它们。

Parameters:
Return type:

Tensor