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：

\[Out = -1 * weight * (label * log(input) + (1 - label) * log(1 - input))\]

当 weight 为空时，公式为：

\[Out = -1 * (label * log(input) + (1 - label) * log(1 - input))\]

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：

\[Out = MEAN(Out)\]

当 reduction 为 sum 时，最终的输出结果为：

\[Out = SUM(Out)\]

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 float16、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 float16、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 \([]\) 。

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