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) [source]

Функция, которая измеряет бинарную кросс-энтропию между целевым значением и логарифмами входа.

См. BCEWithLogitsLoss для подробностей.

Параметры:

• input (Тензор) – Тензор произвольной формы в виде ненормализованных оценок (часто называемых логарифмами).
• target (Тензор) – Тензор той же формы, что и вход, со значениями от 0 до 1
• weight (Тензор, необязательно) – ручной коэффициент масштабирования, если он предоставлен, он повторяется для соответствия форме входного тензора
• size_average (bool, необязательно) – Устаревшее (см. reduction). По умолчанию потери усредняются по каждому элементу потерь в пачке. Обратите внимание, что для некоторых потерь существует несколько элементов на образец. Если поле size_average установлено в False, потери вместо этого суммируются для каждой минипачки. Игнорируется, когда reduce равен False. Значение по умолчанию: True
• reduce (bool, необязательно) – Устаревшее (см. reduction). По умолчанию потери усредняются или суммируются по наблюдениям для каждой минипачки в зависимости от size_average. Когда reduce равно False, возвращает потерю на элемент пачки вместо этого и игнорирует size_average. Значение по умолчанию: True
• reduction (str, необязательно) – Указывает уменьшение, применяемое к выводу: 'none' | 'mean' | 'sum'. 'none': уменьшение не будет применено, 'mean': сумма вывода будет разделена на количество элементов в выводе, 'sum': вывод будет суммирован. Примечание: size_average и reduce в процессе устаревания, и пока что указание любого из этих двух аргументов переопределит reduction. Значение по умолчанию: 'mean'
• pos_weight (Тензор, необязательно) – вес положительных примеров. Должен быть вектором длиной, равной числу классов.

Тип возвращаемого значения:

Тензор

Примеры:

>>> input = torch.randn(3, requires_grad=True)
>>> target = torch.empty(3).random_(2)
>>> loss = F.binary_cross_entropy_with_logits(input, target)
>>> loss.backward()