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)

参数说明
input神经网络预测结果（未经过sigmoid）,任意形状的tensor
target标签值，与input形状相同
weight权重值，可用于mask的作用， 具体作用下面讲解，形状同input
size_average弃用，见reduction参数
reduce弃用，见reduction参数
reduction指定对输出结果的操作，可以设定为none mean sum; none将不对结果进行任何处理，mean对结果求均值， sum对结果求和， 默认是mean

函数功能
对神经网络的输出结果进行sigmoid操作，然后求交叉熵，当参数reduction=mean时其实际效果和下面的程序相同; weight参数实际是对交叉熵结果的权重

x = torch.sigmoid(pred)   # pred是神经网络的输出
result = -torch.mean((label*torch.log(x)+(1-label)*torch.log(1-x))*weight)
print(result)

注意
torch.nn.BCEWithLogitsLoss（）功能及其中参数和上面的函数一样

例子

pred = torch.tensor([[-1.0, 2],[0.5, 1]])
label = torch.tensor([[1, 0.0],[2,5]])
mask = torch.tensor([[1,0], [1,1]])
l = nn.functional.binary_cross_entropy_with_logits(pred, target=label, reduction="mean", weight=mask)
print(l)
x = torch.sigmoid(pred)
result = -torch.mean((label*torch.log(x)+(1-label)*torch.log(1-x))*mask)
print("result:",result)

输出

tensor(-0.5998)
result: tensor(-0.5999)

来源：CSDN

作者：orangerfun

链接：https://blog.csdn.net/orangerfun/article/details/103970609