mindspore.nn.BCELoss

class mindspore.nn.BCELoss(weight=None, reduction='mean')

计算目标值和预测值之间的二值交叉熵损失值。

将预测值设置为 \(x\) ，目标值设置为 \(y\) ，输出损失设置为 \(\ell(x, y)\) 。

则公式如下：

\[L = \{l_1,\dots,l_n,\dots,l_N\}^\top, \quad l_n = - w_n \left[ y_n \cdot \log x_n + (1 - y_n) \cdot \log (1 - x_n) \right]\]

其中N是批次大小。公式如下：

\[\begin{split}\ell(x, y) = \begin{cases} L, & \text{if reduction} = \text{'none';}\\ \operatorname{mean}(L), & \text{if reduction} = \text{'mean';}\\ \operatorname{sum}(L), & \text{if reduction} = \text{'sum'.} \end{cases}\end{split}\]

说明

预测值一般是sigmoid函数的输出。因为是二分类，所以目标值应是0或者1。如果输入是0或1，则上述损失函数是无意义的。

参数：

• weight (Tensor, 可选) - 指定每个批次二值交叉熵的权重。与输入数据的shape和数据类型相同。默认值： None 。

• 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。

输入：

• logits (Tensor) - 输入预测值Tensor，shape \((N, *)\) ，其中 \(*\) 代表任意数量的附加维度。数据类型必须为float16或float32。

• labels (Tensor) - 输入目标值Tensor，shape \((N, *)\) ，其中 \(*\) 代表任意数量的附加维度。与 logits 的shape和数据类型相同。

输出：

Tensor，数据类型与 logits 相同。如果 reduction 为'none'，则shape与 logits 相同。否则，输出为Scalar的Tensor。

异常：

• TypeError - logits 的数据类型，labels 或 weight （如果给定）既不是float16，也不是float32。

• ValueError - reduction 不为 'none' 、 'mean' 或 'sum' 。

• ValueError - logits 的shape与 labels 或 weight （如果给定）不同。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore as ms
>>> import mindspore.nn as nn
>>> import numpy as np
>>> weight = ms.Tensor(np.array([[1.0, 2.0, 3.0], [4.0, 3.3, 2.2]]), ms.float32)
>>> loss = nn.BCELoss(weight=weight, reduction='mean')
>>> logits = ms.Tensor(np.array([[0.1, 0.2, 0.3], [0.5, 0.7, 0.9]]), ms.float32)
>>> labels = ms.Tensor(np.array([[0, 1, 0], [0, 0, 1]]), ms.float32)
>>> output = loss(logits, labels)
>>> print(output)
1.8952923