BCELoss

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

Создаёт функцию потерь, измеряющую бинарную кросс-энтропию между целевыми значениями и входными вероятностями:

Нередуцированную потерю (то есть при reduction, установленном в 'none') можно описать следующим образом:

$$\ell(x, y) = L = \{l_1,\dots,l_N\}^\top, \quad l_n = - w_n \left[ y_n \cdot \log x_n + (1 - y_n) \cdot \log (1 - x_n) \right],$$

где $N$ — размер пакета. Если reduction не равно 'none' (значение по умолчанию — 'mean'), то

$$\ell(x, y) = \begin{cases} \operatorname{mean}(L), & \text{if reduction} = \text{`mean';}\\ \operatorname{sum}(L), & \text{if reduction} = \text{`sum'.} \end{cases}$$

Это используется, например, для измерения ошибки реконструкции в автоэнкодере. Обратите внимание, что целевые значения $y$ должны быть числами от 0 до 1.

Обратите внимание: если $x_n$ равно 0 или 1, один из логарифмических членов в приведённом выше уравнении потерь будет математически неопределён. PyTorch задаёт значение $\log (0) = -\infty$, поскольку $\lim_{x\to 0} \log (x) = -\infty$. Однако бесконечное значение в уравнении потерь нежелательно по нескольким причинам.

Во-первых, если $y_n = 0$ или $(1 - y_n) = 0$, мы умножали бы 0 на бесконечность. Во-вторых, если значение потерь бесконечно, то бесконечным будет и член градиента, поскольку $\lim_{x\to 0} \frac{d}{dx} \log (x) = \infty$. Это сделало бы метод обратного прохода BCELoss нелинейным относительно $x_n$, поэтому его было бы непросто применять для таких задач, как линейная регрессия.

Решение заключается в том, что BCELoss ограничивает выходные значения логарифмической функции снизу значением -100. Благодаря этому значение потерь всегда конечно, а метод обратного прохода — линейный.

Параметры:

• weight (Tensor, optional) – вес для ручного масштабирования потерь каждого элемента пакета. Если указан, должен быть тензором размера nbatch.
• size_average (bool, optional) – Устарел (см. reduction). По умолчанию потери усредняются по всем элементам потерь в пакете. Обратите внимание, что для некоторых функций потерь на один пример приходится несколько элементов. Если поле size_average установлено в False, потери вместо этого суммируются для каждого мини-пакета. Игнорируется, если reduce равно False. Значение по умолчанию: True
• reduce (bool, optional) – Устарел (см. reduction). По умолчанию потери усредняются или суммируются по наблюдениям для каждого мини-пакета в зависимости от size_average. Если reduce равно False, вместо этого возвращается значение потерь для каждого элемента пакета, а size_average игнорируется. Значение по умолчанию: True
• reduction (str, optional) – Задаёт способ редукции выходных данных: 'none' | 'mean' | 'sum'. 'none': редукция не применяется, 'mean': сумма выходных значений делится на количество элементов в выходных данных, 'sum': выходные значения суммируются. Примечание: size_average и reduce постепенно выводятся из употребления; пока что указание любого из этих аргументов переопределит reduction. Значение по умолчанию: 'mean'

Форма:

• Вход: $(*)$, где $*$ означает любое количество измерений.
• Целевое значение: $(*)$, той же формы, что и входные данные.
• Выход: скаляр. Если reduction равно 'none', то $(*)$, той же формы, что и входные данные.

Примеры

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

forward(input, target) [source]

Выполняет прямой проход.

Тип возвращаемого значения:

Tensor