forked from huawei/mindspore2022
48 lines
2.3 KiB
ReStructuredText
48 lines
2.3 KiB
ReStructuredText
mindspore.nn.BCEWithLogitsLoss
|
||
===============================
|
||
|
||
.. py:class:: mindspore.nn.BCEWithLogitsLoss(reduction='mean', weight=None, pos_weight=None)
|
||
|
||
输入经过sigmoid激活函数后作为预测值，BCEWithLogitsLoss计算预测值和目标值之间的二值交叉熵损失。
|
||
|
||
将输入 `logits` 设置为 :math:`X`，输入 `labels` 为 :math:`Y`，输出为 :math:`L`。则公式如下：
|
||
|
||
.. math::
|
||
p_{ij} = sigmoid(X_{ij}) = \frac{1}{1 + e^{-X_{ij}}}
|
||
|
||
.. math::
|
||
L_{ij} = -[Y_{ij} \cdot log(p_{ij}) + (1 - Y_{ij}) \cdot log(1 - p_{ij})]
|
||
|
||
然后，
|
||
|
||
.. math::
|
||
\ell(x, y) = \begin{cases}
|
||
L, & \text{if reduction} = \text{'none';}\\
|
||
\operatorname{mean}(L), & \text{if reduction} = \text{'mean';}\\
|
||
\operatorname{sum}(L), & \text{if reduction} = \text{'sum'.}
|
||
\end{cases}
|
||
|
||
**参数：**
|
||
|
||
- **reduction** (str) - 指定输出结果的计算方式。可选值有：'mean'，'sum'，和'none'。如果为'none'，则不执行reduction。默认值：'mean'。
|
||
- **weight** (Tensor, optional) - 指定每个批次二值交叉熵的权重。如果不是None，将进行广播，其shape与 `logits` 的shape保持一致，数据类型为float16或float32。默认值：None。
|
||
- **pos_weight** (Tensor, optional) - 指定正样本的权重。是一个长度等于分类数的向量。如果不是None，将进行广播，其shape与 `logits` 的shape保持一致，数据类型必须为float16或float32。默认值：None。
|
||
|
||
**输入：**
|
||
|
||
- **logits** (Tensor) - 输入预测值，任意维度的Tensor。数据类型必须为float16或float32。
|
||
- **labels** (Tensor) - 输入目标值，任意维度的Tensor，其shape和数据类型与 `logits` 相同。
|
||
|
||
**输出：**
|
||
|
||
Tensor或Scalar，如果 `reduction` 为"none"，其shape需和 `logits` 相同。否则，将返回Scalar。
|
||
|
||
**异常：**
|
||
|
||
- **TypeError** - `logits` 或 `labels` 的数据类型既不是float16也不是float32。
|
||
- **TypeError** - `weight` 或 `pos_weight` 是 Parameter。
|
||
- **TypeError** - `weight` 或 `pos_weight` 的数据类型既不是float16也不是float32。
|
||
- **ValueError** - `weight` 或 `pos_weight` 不能广播到shape为 `logits` 的Tensor。
|
||
- **ValueError** - `reduction` 不为'none'、'mean'或'sum'。
|
||
|
||
|