文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

PR

小问题，全程线上修改...

一键搞定！

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

文档反馈

mindspore.mint.nn.functional.binary_cross_entropy

mindspore.mint.nn.functional.binary_cross_entropy(input, target, weight=None, reduction='mean')[源代码]

计算预测值 input 和目标值 target 之间的二值交叉熵（度量两个概率分布间的差异性信息）损失。

将 input 设置为 $x$ ， target 设置为 $y$ ，输出设置为 $ℓ (x, y)$ ，第n个batch二值交叉熵的权重为 $w_{n}$ 。则，

L = {l_{1}, \dots, l_{N}}^{⊤}, l_{n} = - w_{n} [y_{n} \cdot \log x_{n} + (1 - y_{n}) \cdot \log (1 - x_{n})]

其中， $L$ 表示所有batch_size的loss值， $l$ 表示一个batch_size的loss值， $n$ 表示在 $1 - N$ 范围内的一个batch_size。

\begin{array}{r} ℓ (x, y) = {\begin{cases} L, & if reduction ='none'; \\ mean (L), & if reduction ='mean'; \\ sum (L), & if reduction ='sum'. \end{cases} \end{array}

警告

input 的值必须要在0-1范围内。

参数：

input (Tensor) - 输入预测值，其数据类型为float16或float32。
target (Tensor) - 输入目标值，shape与 input 相同。数据类型为float16或float32。
weight (Tensor, 可选) - 指定每个批次二值交叉熵的权重。支持广播，使其shape与 input 的shape保持一致。数据类型必须为float16或float32。默认值： None 。若为 None ，损失函数将不会考虑任何样本的权重，每个样本在计算损失时被视为具有相同的重要性。
reduction (str，可选) - 指定应用于输出结果的规约计算方式，可选 'none' 、 'mean' 、 'sum' ，默认值： 'mean' 。
- 'none'：不应用规约方法。
- 'mean'：计算输出元素的加权平均值。
- 'sum'：计算输出元素的总和。

返回：

Tensor或Scalar，如果 reduction 为 'none' ，则为shape和数据类型与输入 input 相同的Tensor。否则，输出为Scalar。

异常：

TypeError - 输入 input ， target ， weight 不为Tensor。
TypeError - 输入 input ， target ， weight 的数据类型既不是float16也不是float32。
ValueError - reduction 不为 'none' 、 'mean' 或 'sum' 。
ValueError - target 的shape大小与 input 或者 weight 不相同。

支持平台：

Ascend

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, mint
>>> input = Tensor(np.array([0.2, 0.7, 0.1]), mindspore.float32)
>>> target = Tensor(np.array([0., 1., 0.]), mindspore.float32)
>>> weight = Tensor(np.array([1, 2, 2]), mindspore.float32)
>>> output = mint.nn.functional.binary_cross_entropy(input, target, weight)
>>> print(output)
0.38240486