mindspore.ops.BinaryCrossEntropy

class mindspore.ops.BinaryCrossEntropy(reduction='mean')

计算目标值和预测值之间的二值交叉熵损失值。

将 logits 设置为 $x$ ， labels 设置为 $y$ ，输出为 $\ell (x,y)$ 。则，

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

其中， $L$ 表示所有批次的损失， $l$ 表示一个批次的损失，n表示1-N范围内的一个批次，$w_n$ 表示第 $n$ 批二进制交叉熵的权重。则，

$$\begin{array}{r}\ell (x,y)=\{\begin{array}{ll}L,& \text{if reduction}=\text{'none';}\\ \mathrm{mean}(L),& \text{if reduction}=\text{'mean';}\\ \mathrm{sum}(L),& \text{if reduction}=\text{'sum'.}\end{array}\end{array}$$

警告

• $x$ 的值必须在0到1之间。

参数：

• 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。其shape为 $(N,\ast )$ ，其中 $\ast$ 为任意数量的额外维度。

• labels (Tensor) - 输入目标值，其shape和数据类型与 logits 相同。

• weight (Tensor, 可选) - 每个批次二值交叉熵的权重。且shape和数据类型必须与 logits 相同。默认值： None 。

输出：

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

异常：

• TypeError - logits 、 labels 及 weight 的数据类型既不是float16，也不是float32。

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

• ValueError - labels 的shape与 logits 或 weight 不同。

• TypeError - logits 、 labels 或 weight 不是Tensor。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, nn, ops
>>> class Net(nn.Cell):
...     def __init__(self):
...         super(Net, self).__init__()
...         self.binary_cross_entropy = ops.BinaryCrossEntropy()
...     def construct(self, logits, labels, weight):
...         result = self.binary_cross_entropy(logits, labels, weight)
...         return result
...
>>> net = Net()
>>> logits = Tensor(np.array([0.2, 0.7, 0.1]), mindspore.float32)
>>> labels = Tensor(np.array([0., 1., 0.]), mindspore.float32)
>>> weight = Tensor(np.array([1, 2, 2]), mindspore.float32)
>>> output = net(logits, labels, weight)
>>> print(output)
0.38240486