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)

計算目標值和輸入 Logits 之間的二元交叉熵。

有關詳細資訊，請參閱 BCEWithLogitsLoss。

引數

• input (Tensor) – 任意形狀的張量，包含未歸一化的分數（通常稱為 Logits）。

• target (Tensor) – 與 input 形狀相同的張量，值在 0 和 1 之間。

• weight (Tensor, optional) – 如果提供，則為手動重縮放權重，它會被重複以匹配輸入張量的形狀。

• size_average (bool, optional) – 已棄用（請參閱 reduction）。

• reduce (bool, optional) – 已棄用（請參閱 reduction）。

• reduction (str, optional) – 指定要應用於輸出的規約：'none' | 'mean' | 'sum'。'none'：不應用規約；'mean'：輸出的總和將除以輸出中的元素數量；'sum'：將對輸出求和。注意：size_average 和 reduce 正在被棄用，在此期間，指定這兩個引數中的任何一個都將覆蓋 reduction。預設值：'mean'。

• pos_weight (Tensor, optional) – 正樣本的權重，將與目標張量廣播。必須是一個在類別維度上大小等於類別數量的張量。請密切注意 PyTorch 的廣播語義，以實現期望的操作。對於大小為 [B, C, H, W] 的目標（其中 B 是批次大小），大小為 [B, C, H, W] 的 pos_weight 將為批次中的每個元素應用不同的 pos_weight，或者大小為 [C, H, W] 的 pos_weight 將為批次中的所有元素應用相同的 pos_weight。要為 2D 多類目標 [C, H, W] 沿所有空間維度應用相同的正權重，請使用：[C, 1, 1]。預設值：None

返回型別

張量

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()