比较与torch.nn.functional.binary_cross_entropy的功能差异

torch.nn.functional.binary_cross_entropy

torch.nn.functional.binary_cross_entropy(
    input,
    target,
    weight=None,
    size_average=None,
    reduce=None,
    reduction='mean'
) -> Tensor

更多内容详见torch.nn.functional.binary_cross_entropy。

mindspore.nn.BCELoss

class mindspore.nn.BCELoss(
    weight=None,
    reduction='none'
)(logits, labels) -> Tensor

更多内容详见mindspore.nn.BCELoss。

差异对比

PyTorch：计算目标值和预测值之间的二值交叉熵损失值。

MindSpore：MindSpore此API实现功能与PyTorch基本一致。

分类	子类	PyTorch	MindSpore	差异
参数	参数1	input	logits	功能一致，参数名不同
	参数2	target	labels	功能一致，参数名不同
	参数3	weight	weight	-
	参数4	size_average	-	PyTorch的已弃用参数，功能由reduction参数取代
	参数5	reduce	-	PyTorch的已弃用参数，功能由reduction参数取代
	参数6	reduction	reduction	功能一致，默认值不同

代码示例1

两API实现功能一致，用法相同。

# PyTorch
import torch
import torch.nn.functional as F
from torch import tensor

logits = tensor([0.1, 0.2, 0.3], requires_grad=True)
labels = tensor([1., 1., 1.])
loss = F.binary_cross_entropy(logits, labels)
print(loss.detach().numpy())
# 1.7053319

# MindSpore
import mindspore
import numpy as np
from mindspore import Tensor
from mindspore import nn

loss = nn.BCELoss(reduction='mean')
logits = Tensor(np.array([0.1, 0.2, 0.3]), mindspore.float32)
labels = Tensor(np.array([1., 1., 1.]), mindspore.float32)
output = loss(logits, labels)
print(output)
# 1.7053319