binary_cross_entropy¶
- paddle.nn.functional. binary_cross_entropy ( input, label, weight=None, reduction='mean', name=None ) [源代码] ¶
该函数用于计算输入 input
和标签 label
之间的二值交叉熵损失值。二值交叉熵损失函数公式如下:
当 weight 不为空时,公式为:
当 weight 为空时,公式为:
当 reduction 为 none 时,直接返回最原始的 Out 结果。
当 reduction 为 mean 时,最终的输出结果为:
当 reduction 为 sum 时,最终的输出结果为:
注解
输入数据 input
一般是 sigmoid
的输出。因为是二分类,所以标签值 label
应该是 0 或者 1。
参数¶
input (Tensor) - \([N, *]\),其中 N 是 batch_size, * 是任意其他维度。输入数据
input
一般是sigmoid
的输出。数据类型是 float32、float64。label (Tensor) - \([N, *]\),标签
label
的维度、数据类型与输入input
相同。weight (Tensor,可选) - 手动指定每个 batch 二值交叉熵的权重,如果指定的话,维度必须是一个 batch 的数据的维度。数据类型是 float32, float64。默认值是:None。
reduction (str,可选) - 指定应用于输出结果的计算方式,可选值有:
'none'
,'mean'
,'sum'
。默认为'mean'
,计算 BCELoss 的均值;设置为'sum'
时,计算 BCELoss 的总和;设置为'none'
时,则返回 bce_loss。name (str,可选) - 具体用法请参见 Name,一般无需设置,默认值为 None。
返回¶
输出的结果 Tensor。如果
reduction
是'none'
,则输出的维度为 \([N, *]\),与输入input
的形状相同。如果reduction
是'mean'
或'sum'
,则输出的维度为 \([1]\) 。
代码示例¶
import paddle
input = paddle.to_tensor([0.5, 0.6, 0.7], 'float32')
label = paddle.to_tensor([1.0, 0.0, 1.0], 'float32')
output = paddle.nn.functional.binary_cross_entropy(input, label)
print(output) # [0.65537095]