BCEWithLogitsLoss

class torch.nn.modules.loss.BCEWithLogitsLoss(weight=None, size_average=None, reduce=None, reduction='mean', pos_weight=None)

此损失函数将 Sigmoid 层和 BCELoss 结合到一个类中。此版本比单独使用 Sigmoid 再使用 BCELoss 更具数值稳定性，因为它通过将这两个操作合并到一个层中，利用了 log-sum-exp 技巧来提高数值稳定性。

未约简的（即 reduction 设置为 'none'）损失可以描述为

$$\ell(x, y) = L = \{l_1,\dots,l_N\}^\top, \quad l_n = - w_n \left[ y_n \cdot \log \sigma(x_n) + (1 - y_n) \cdot \log (1 - \sigma(x_n)) \right],$$

其中 $N$ 是批次大小。如果 reduction 不是 'none' (默认为 'mean')，则：

$$\ell(x, y) = \begin{cases} \operatorname{mean}(L), & \text{if reduction} = \text{`mean';}\\ \operatorname{sum}(L), & \text{if reduction} = \text{`sum'.} \end{cases}$$

这用于衡量例如自动编码器中重构的误差。请注意，目标 t[i] 应该是介于 0 和 1 之间的数字。

通过为正样本添加权重，可以权衡召回率和精确率。在多标签分类的情况下，损失可以描述为：

$$\ell_c(x, y) = L_c = \{l_{1,c},\dots,l_{N,c}\}^\top, \quad l_{n,c} = - w_{n,c} \left[ p_c y_{n,c} \cdot \log \sigma(x_{n,c}) + (1 - y_{n,c}) \cdot \log (1 - \sigma(x_{n,c})) \right],$$

其中 $c$ 是类索引（对于多标签二分类，$c > 1$；对于单标签二分类，$c = 1$），$n$ 是批次中样本的编号，$p_c$ 是类 $c$ 的正样本权重。

$p_c > 1$ 增加召回率，$p_c < 1$ 增加精确率。

例如，如果一个数据集包含一个类别的 100 个正样本和 300 个负样本，那么该类的 pos_weight 应等于 $\frac{300}{100}=3$. 损失函数的作用将如同数据集包含 $3\times 100=300$ 个正样本一样。

示例

>>> target = torch.ones([10, 64], dtype=torch.float32)  # 64 classes, batch size = 10
>>> output = torch.full([10, 64], 1.5)  # A prediction (logit)
>>> pos_weight = torch.ones([64])  # All weights are equal to 1
>>> criterion = torch.nn.BCEWithLogitsLoss(pos_weight=pos_weight)
>>> criterion(output, target)  # -log(sigmoid(1.5))
tensor(0.20...)

在上述示例中，pos_weight 张量中的元素对应于多标签二分类场景中的 64 个不同类别。 pos_weight 中的每个元素旨在根据相应类别的负样本和正样本之间的不平衡来调整损失函数。这种方法在类别不平衡程度不同的数据集中很有用，可确保损失计算准确地考虑每个类别的分布。

参数

• weight (Tensor, optional) – 为每个批次元素的手动重缩放权重。如果提供，则必须是大小为 nbatch 的 Tensor。

• size_average (bool, optional) – 已弃用 (参见 reduction)。默认情况下，损失值在批次中的每个损失元素上取平均值。请注意，对于某些损失，每个样本有多个元素。如果字段 size_average 设置为 False，则损失值在每个小批次中而是求和。当 reduce 为 False 时忽略。默认值：True

• reduce (bool, optional) – 已弃用 (参见 reduction)。默认情况下，损失值在每个小批次中根据 size_average 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值，并忽略 size_average。默认值：True

• reduction (str, optional) – 指定应用于输出的归约方法：'none' | 'mean' | 'sum'。 'none'：不应用归约； 'mean'：输出的总和将除以输出中的元素数量； 'sum'：将对输出进行求和。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

形状

• 输入： $(*)$，其中 $*$ 表示任意数量的维度。

• 目标：$(*)$，与输入形状相同。

• 输出：标量。如果 reduction 为 'none'，则 $(*)$，与输入形状相同。

示例

>>> loss = nn.BCEWithLogitsLoss()
>>> input = torch.randn(3, requires_grad=True)
>>> target = torch.empty(3).random_(2)
>>> output = loss(input, target)
>>> output.backward()

forward(input, target)

执行前向传播。

返回类型

张量