binary_cross_entropy_with_logits¶
- paddle.nn.functional. binary_cross_entropy_with_logits ( logit, label, weight=None, reduction='mean', pos_weight=None, name=None ) [源代码] ¶
计算输入 logit 和标签 label 间的 binary cross entropy with logits loss 损失。
结合了 sigmoid 操作和 api_nn_loss_BCELoss 操作。同时，我们也可以认为这是 sigmoid_cross_entrop_with_logits 和一些 reduce 操作的组合。
在每个类别独立的分类任务中，可以用于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。
首先，可通过以下公式计算损失函数：
其中 \(\sigma(Logit) = \frac{1}{1 + e^{-Logit}}\)，代入上方计算公式中：
为了计算稳定性，防止当 \(Logit<0\) 时，\(e^{-Logit}\) 溢出，loss 将采用以下公式计算：
然后，当 weight 或 pos_weight 不为 None 的时候，将会在输出 Out 上乘以相应的权重。Tensor weight 给 Batch 中的每一条数据赋予不同权重，Tensor pos_weight 给每一类的正例添加相应的权重。
最后，将会添加 reduce 操作到前面的输出 Out 上。当 reduction 为 none 时，直接返回最原始的 Out 结果。当 reduction 为 mean 时，返回输出的均值 \(Out = MEAN(Out)\)。当 reduction 为 sum 时，返回输出的求和 \(Out = SUM(Out)\) 。
**注意：**因为是二分类任务，所以标签值应该是 0 或者 1。
参数¶
logit (Tensor) - \([N, *]\)，其中 N 是 batch_size， * 是任意其他维度。输入数据
logit一般是线性层的输出，不需要经过sigmoid层。数据类型是 float32、float64。label (Tensor) - \([N, *]\)，标签
label的维度、数据类型与输入logit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，则返回原始 loss。pos_weight (Tensor，可选) - 手动指定正类的权重，必须是与类别数相等长度的向量。数据类型是 float32, float64。默认值是：None。
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¶
Tensor，输出的 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
logit = paddle.to_tensor([5.0, 1.0, 3.0])
label = paddle.to_tensor([1.0, 0.0, 1.0])
output = paddle.nn.functional.binary_cross_entropy_with_logits(logit, label)
print(output) # 0.45618808