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)

计算目标值和输入 Logits 之间的二元交叉熵。

有关详细信息，请参阅 BCEWithLogitsLoss。

参数

• input (Tensor) – 任意形状的张量，包含未归一化的分数（通常称为 Logits）。

• target (Tensor) – 与 input 形状相同的张量，值在 0 和 1 之间。

• weight (Tensor, optional) – 如果提供，则为手动重缩放权重，它会被重复以匹配输入张量的形状。

• size_average (bool, optional) – 已弃用（请参阅 reduction）。

• reduce (bool, optional) – 已弃用（请参阅 reduction）。

• reduction (str, optional) – 指定要应用于输出的规约：'none' | 'mean' | 'sum'。'none'：不应用规约；'mean'：输出的总和将除以输出中的元素数量；'sum'：将对输出求和。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都将覆盖 reduction。默认值：'mean'。

• pos_weight (Tensor, optional) – 正样本的权重，将与目标张量广播。必须是一个在类别维度上大小等于类别数量的张量。请密切注意 PyTorch 的广播语义，以实现期望的操作。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 将为批次中的每个元素应用不同的 pos_weight，或者大小为 [C, H, W] 的 pos_weight 将为批次中的所有元素应用相同的 pos_weight。要为 2D 多类目标 [C, H, W] 沿所有空间维度应用相同的正权重，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()