mindspore.ops.binary_cross_entropy_with_logits

mindspore.ops.binary_cross_entropy_with_logits(logits, label, weight, pos_weight, reduction='mean')[源代码]

输入经过sigmoid激活函数后作为预测值，binary_cross_entropy_with_logits 计算预测值和目标值之间的二值交叉熵损失。

将输入 logits 设置为 \(X\) ，输入 labels 设置为 \(Y\) ，输入 weight 设置为 \(W\) ，输出设置为 \(L\) 。则，

\[\begin{split}\begin{array}{ll} \\ L_{ij} = -W_{ij}[Y_{ij}log(X_{ij}) + (1 - Y_{ij})log(1 - X_{ij})] \end{array}\end{split}\]

\(i\) 表示 \(i^{th}\) 样例， \(j\) 表示类别。则，

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

\(\ell\) 表示计算损失的方法。有三种方法：第一种方法是直接提供损失值，第二种方法是计算所有损失的平均值，第三种方法是计算所有损失的总和。

参数：

logits (Tensor) - 输入预测值，任意维度的Tensor。其数据类型为float16或float32。
label (Tensor) - 输入目标值，shape与 logits 相同。数据类型为float16或float32。
weight (Tensor) - 指定每个批次二值交叉熵的权重。支持广播，使其shape与 logits 的shape保持一致。数据类型必须为float16或float32。
pos_weight (Tensor) - 指定正类的权重。是一个长度等于分类数的向量。支持广播，使其shape与 logits 的shape保持一致。数据类型必须为float16或float32。
reduction (str) - 指定用于输出结果的计算方式。取值为 ‘mean’ 、 ‘sum’ 或 ‘none’ ，不区分大小写。如果 ‘none’ ，则不执行 reduction 。默认值：’mean’ 。

返回：

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

异常：

TypeError - 输入 logits ， label ， weight ， pos_weight 不为Tensor。
TypeError - 输入 logits ， label ， weight ， pos_weight 的数据类型既不是float16也不是float32。
TypeError - 输入 reduction 输入数据类型不为string。
ValueError - weight 或 pos_weight 不能广播到shape为 logits 的Tensor。
ValueError - reduction 不为 ‘none’ 、 ‘mean’ 或 ‘sum’ 。

支持平台：

Ascend GPU CPU

样例：

>>> logits = Tensor(np.array([[-0.8, 1.2, 0.7], [-0.1, -0.4, 0.7]]), mindspore.float32)
>>> label = Tensor(np.array([[0.3, 0.8, 1.2], [-0.6, 0.1, 2.2]]), mindspore.float32)
>>> weight = Tensor(np.array([1.0, 1.0, 1.0]), mindspore.float32)
>>> pos_weight = Tensor(np.array([1.0, 1.0, 1.0]), mindspore.float32)
>>> output = ops.binary_cross_entropy_with_logits(logits, label, weight, pos_weight)
>>> print(output)
0.3463612