mindspore.ops.BinaryCrossEntropy

class mindspore.ops.BinaryCrossEntropy(reduction='mean')[源代码]

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，

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

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。则，

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

Warning

  • \(x\) 的值必须在0到1之间。

  • \(y\) 的值必须为0或1。

参数：

reduction (str) - 指定输出的计算方式。取值为’none’、’mean’或’sum’。默认值：’mean’。

输入：

  • logits (Tensor) - 输入预测值。任意维度的Tensor，其数据类型必须为float16或float32。

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

  • weight (Tensor, optional) - 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：

>>> 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