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) [исходный код]

Вычисляет бинарную перекрёстную энтропию между целевыми значениями и входными логитами.

Подробности см. в BCEWithLogitsLoss.

Параметры:

• input (Tensor) – Тензор произвольной формы с ненормализованными оценками (часто называемыми логитами).
• target (Tensor) – Тензор той же формы, что и input, со значениями от 0 до 1
• weight (Tensor, optional) – вес для ручного масштабирования. Если задан, размерность weight поддерживает трансляцию к общей форме относительно формы input (и target).
• size_average (bool, optional) – Не рекомендуется к использованию (см. reduction).
• reduce (bool, optional) – Не рекомендуется к использованию (см. reduction).
• reduction (str, optional) – Задает способ редукции выходных данных: 'none' | 'mean' | 'sum'. 'none': редукция не применяется, 'mean': сумма выходных данных делится на количество элементов, 'sum': выходные данные суммируются. Примечание: size_average и reduce устаревают; пока что указание любого из этих аргументов переопределит reduction. По умолчанию: 'mean'
• pos_weight (Tensor, optional) – вес положительных примеров, который будет транслирован к форме target. Тензор должен иметь размер, равный количеству классов, вдоль измерения классов. Для получения желаемого результата внимательно учитывайте правила трансляции PyTorch. Для target размера [B, C, H, W] (где B — размер пакета) pos_weight размера [B, C, H, W] задаст разные веса pos_weight для каждого элемента пакета, а размера [C, H, W] — одинаковые веса pos_weight для всего пакета. Чтобы задать одинаковый положительный вес по всем пространственным измерениям для двумерного целевого тензора с несколькими классами [C, H, W], используйте: [C, 1, 1]. По умолчанию: None

Тип возвращаемого значения:

Tensor

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()