torch.nn.functional.binary_cross_entropy

torch.nn.functional.binary_cross_entropy(input, target, weight=None, size_average=None, reduce=None, reduction='mean')

測量目標機率和輸入機率之間的二元交叉熵。

詳情請參閱 BCELoss。

參數

• input (Tensor) – 作為機率的任意形狀的 Tensor。

• target (Tensor) – 與 input 具有相同形狀，且值介於 0 和 1 之間的 Tensor。

• weight (Tensor, optional) – 如果提供，則手動調整比例的權重，它會重複以匹配 input Tensor 的形狀

• size_average (bool, optional) – 已棄用 (請參閱 reduction)。 預設情況下，損失會在批次中的每個損失元素上進行平均。 請注意，對於某些損失，每個樣本有多個元素。 如果欄位 size_average 設定為 False，則會對每個小批次將損失加總。 當 reduce 為 False 時，此項會被忽略。 預設值：True

• reduce (bool, optional) – 已棄用 (請參閱 reduction)。 預設情況下，根據 size_average，損失會在每個小批次的觀察值上進行平均或加總。 當 reduce 為 False 時，會改為傳回每個批次元素的損失，並忽略 size_average。 預設值：True

• reduction (str, optional) – 指定要應用於輸出的縮減方式：'none' | 'mean' | 'sum'。 'none'：不會應用任何縮減，'mean'：輸出的總和將除以輸出中的元素數量，'sum'：輸出將被加總。 注意：size_average 和 reduce 正在被棄用，在此期間，指定這兩個參數中的任何一個都將覆蓋 reduction。 預設值：'mean'

回傳類型

Tensor

範例

>>> input = torch.randn(3, 2, requires_grad=True)
>>> target = torch.rand(3, 2, requires_grad=False)
>>> loss = F.binary_cross_entropy(torch.sigmoid(input), target)
>>> loss.backward()