当前位置: 首页>>代码示例 >>用法及示例精选 >>正文


Python PyTorch BCEWithLogitsLoss用法及代码示例


本文简要介绍python语言中 torch.nn.BCEWithLogitsLoss 的用法。

用法:

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

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'

  • pos_weight(Tensor,可选的) -大量的正面例子。必须是长度等于类数的向量。

这种损失将Sigmoid 层和BCELoss 组合在一个类中。这个版本比使用简单的 Sigmoid 后跟 BCELoss 在数值上更稳定,因为通过将操作组合到一层,我们利用 log-sum-exp 技巧来实现数值稳定性。

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 t[i] 应该是 0 到 1 之间的数字。

可以通过向正例添加权重来权衡召回率和精度。在多标签分类的情况下,损失可以说明为:

其中 是类号( 用于多标签二分类, 用于single-label二分类), 是批次中的样本数, 是权重 类的肯定答案。

提高召回率, 提高精度。

例如,如果数据集包含单个类的 100 个正样本和 300 个负样本,则该类的 pos_weight 应该等于 。损失将表现为数据集包含 正例。

例子:

>>> 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(0.2014)
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:

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