- 站点信息
- 问题反馈
- 邮箱：[email protected]
- 吐槽一下
关注微信
©2020-2025 ioDraw All rights reserved,
Privacy Policy
1. BCELoss
class torch.nn.BCELoss(weight=None, size_average=True, reduce=True)
* 作用：
计算target 和output 间的二值交叉熵(Binary Cross Entropy)
N :batchsize
如果reduce =True
l(x,y)=mean(L),if size_average=True l(x,y)=sum(L),if size_average=False
用于计算重构误差，如anto-encoder 中
targets y的值是在0和1之间
* 参数 weight(Tensor,optional) - 每个batch 元素的权重. size_average- 默认为True.
True,losses 在minibatch 结合weight 求平均average. False,losses 在minibatch 求相加和sum.
当reduce=False 时,忽略该参数. reduce 默认为True True,losses 在minibatch 求平均或相加和
False,losses 返回per input/target 元素值, 并忽略size_average 输入-input x,(N,*) 输入-target
y,(N,*) 输出- 如果reduce=True，输出标量值，如果reduce=False，输入和输出一致,(N,*)
* 示例 import torch import torch.nn as nn sig = nn.Sigmoid() loss =
nn.BCELoss() input = torch.randn(3, requires_grad=True) target =
torch.empty(3).random_(2) output = loss(sig(input), target) output.backward()
2. BCEWithLogitsLoss
class torch.nn.BCEWithLogitsLoss(weight=None, size_average=True, reduce=True)
* 作用
该loss 层包括了 Sigmoid 层和BCELoss 层. 单类别任务.
数值计算稳定性更好(log-sum-exp trik), 相比于Sigmoid +BCELoss.
如果 reduce =True，
l(x,y)=mean(L),if size_average=True l(x,y)=sum(L),if size_average=False
用于计算重构误差，如auto-encoder 中.
target t[i] 的值是0 和1 之间的数值.
* 参数 weight(Tensor,optional) - 每个batch 元素的权重. size_average- 默认为True.
True,losses 在minibatch 结合weight 求平均average. False,losses 在minibatch 求相加和sum.
当reduce=False 时,忽略该参数. reduce 默认为True True,losses 在minibatch 求平均或相加和
False,losses 返回per input/target 元素值, 并忽略size_average 输入-input x,(N,*) 输入-target
y,(N,*) 输出- 如果reduce=True，输出标量值，如果reduce=False，输入和输出一致,(N,*)