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。

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。

提交

文档反馈

mindspore.nn.BCELoss

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

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：

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

其中N是批次大小，公式如下：

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

Note

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) - 指定输出结果的计算方式。可选值有：’mean’，’sum’，或’none’。默认值：’none’。

输入：

• logits (Tensor) - 输入预测值Tensor，shape $(N,\ast )$ ，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 $(N,\ast )$ ，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：

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