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)

计算目标和输入对数之间的二进制交叉熵。

详情请参见 BCEWithLogitsLoss。

Parameters

• 输入 (张量) – 任意形状的未归一化分数张量（通常称为logits）。

• 目标 (张量) – 与输入形状相同的张量，值在0和1之间

• 权重 (张量, 可选) – 手动调整的权重 如果提供，它将被重复以匹配输入张量的形状

• size_average (布尔值, 可选) – 已弃用（参见 reduction）。默认情况下， 损失在批次中的每个损失元素上进行平均。请注意，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，则损失将改为对每个小批次进行求和。当 reduce 为 False 时忽略。默认值：True

• reduce (bool, 可选) – 已弃用（参见 reduction）。默认情况下，损失会根据 size_average 的设置在每个小批次中对观测值进行平均或求和。当 reduce 为 False 时，返回每个批次元素的损失，并忽略 size_average。默认值：True

• reduction (str, 可选) – 指定应用于输出的reduction方式： 'none' | 'mean' | 'sum'。'none'：不进行reduction， 'mean'：输出的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， 指定这两个参数中的任何一个都将覆盖 reduction。默认值：'mean'

• pos_weight (Tensor, 可选) – 正样本的权重，将与目标一起广播。 必须是与类别数量沿类别维度相等大小的张量。 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] 的目标（其中 B 是批次大小），大小为 [B, C, H, W] 的 pos_weight 将对批次中的每个元素应用不同的 pos_weights，或者对于大小为 [C, H, W] 的 pos_weight，将在整个批次中应用相同的 pos_weights。要在 2D 多类目标的所有空间维度上应用相同的正权重 [C, H, W]，请使用：[C, 1, 1]。 默认值：None

Return type

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()