sigmoid_cross_entropy_with_logits¶
- paddle.fluid.layers. sigmoid_cross_entropy_with_logits ( x, label, ignore_index=- 100, name=None, normalize=False ) [源代码] ¶
在每个类别独立的分类任务中,该OP可以计算按元素的概率误差。可以将其视为预测数据点的标签,其中标签不是互斥的。例如,一篇新闻文章可以同时关于政治,科技,体育或者同时不包含这些内容。
logistic loss可通过下式计算:
已知:
代入上方计算logistic loss公式中:
为了计算稳定性,防止 \(exp(-X)\) 溢出,当 \(X<0\) 时,loss将采用以下公式计算:
输入 X
和 label
都可以携带LoD信息。然而输出仅采用输入 X
的LoD。
参数¶
x (Variable) - (Tensor,默认 Tensor<float>),形为 N x D 的二维张量,N为batch大小,D为类别数目。该输入是一个由先前运算得出的logit组成的张量。logit是未标准化(unscaled)的log概率,公式为 \(log(\frac{p}{1-p})\),数据类型为float32或float64。
label (Variable) - (Tensor,默认 Tensor<float>) 具有和
X
相同数据类型,相同形状的二维张量。该输入张量代表了每个logit的可能标签。ignore_index (int) - (int,默认kIgnoreIndex)指定被忽略的目标值,它不会影响输入梯度。
name (str,可选) – 具体用法请参见 Name,一般无需设置,默认值为None。
normalize (bool) - 如果为true,则将输出除以除去ignore_index对应目标外的目标数,默认为False。
返回¶
Variable(Tensor,默认Tensor<float>),形为 N x D 的二维张量,其值代表了按元素的logistic loss,数据类型为float32或float64。
返回类型¶
变量(Variable)
代码示例¶
import paddle
input = paddle.rand(shape=[10], dtype='float32')
label = paddle.rand(shape=[10], dtype='float32')
loss = paddle.fluid.layers.sigmoid_cross_entropy_with_logits(input, label,
ignore_index=-1, normalize=True)
print(loss)