当前位置: 首页>>代码示例 >>用法及示例精选 >>正文


Python PyTorch BCELoss用法及代码示例


本文简要介绍python语言中 torch.nn.BCELoss 的用法。

用法:

class torch.nn.BCELoss(weight=None, size_average=None, reduce=None, reduction='mean')

参数

  • weight(Tensor,可选的) -手动重新调整每个批次元素损失的权重。如果给定,则必须是大小为 nbatch 的张量。

  • size_average(bool,可选的) -已弃用(请参阅reduction)。默认情况下,损失是批次中每个损失元素的平均值。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 ,则会对每个小批量的损失求和。当 reduceFalse 时忽略。默认值:True

  • reduce(bool,可选的) -已弃用(请参阅reduction)。默认情况下,根据 size_average 对每个小批量的观察结果进行平均或求和。当 reduceFalse 时,返回每个批次元素的损失并忽略 size_average 。默认值:True

  • reduction(string,可选的) -指定要应用于输出的缩减:'none' | 'mean' | 'sum''none' :不应用减少,'mean':输出的总和将除以输出中的元素数,'sum':输出将被求和。注意:size_averagereduce 正在被弃用,同时,指定这两个参数中的任何一个都将覆盖 reduction 。默认值:'mean'

创建一个衡量目标和输入概率之间的二元交叉熵的标准:

未减少的(即 reduction 设置为 'none' )损失可以说明为:

其中 是批量大小。如果 reduction 不是 'none' (默认 'mean' ),那么

这用于测量例如auto-encoder 中的重建误差。请注意,目标 应该是 0 到 1 之间的数字。

请注意,如果 为 0 或 1,则上述损失方程中的对数项之一将在数学上未定义。 PyTorch 选择设置 ,因为 。然而,由于几个原因,损失方程中的无限项是不可取的。

一方面,如果 ,那么我们将 0 乘以无穷大。其次,如果我们有一个无限的损失值,那么我们的梯度中也会有一个无限项,因为 。这将使 BCELoss 的后向方法相对于 是非线性的,并且将其用于线性回归之类的事情不会是 straight-forward。

我们的解决方案是 BCELoss 将其日志函数输出钳制为大于或等于 -100。这样,我们总是可以有一个有限的损失值和一个线性后向方法。

形状:
  • 输入: ,其中 表示任意数量的维度。

  • 目标: ,与输入的形状相同。

  • 输出:标量。如果 reduction'none' ,那么 ,与输入的形状相同。

例子:

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

相关用法


注:本文由纯净天空筛选整理自pytorch.org大神的英文原创作品 torch.nn.BCELoss。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。