比较与torch.nn.functional.binary_cross_entropy_with_logits的功能差异

torch.nn.functional.binary_cross_entropy_with_logits

torch.nn.functional.binary_cross_entropy_with_logits(input, target, weight=None, size_average=None, reduce=None, reduction='mean', pos_weight=None)

mindspore.ops.binary_cross_entropy_with_logits

mindspore.ops.binary_cross_entropy_with_logits(logits, label, weight, pos_weight, reduction='mean')

更多内容详见mindspore.ops.binary_cross_entropy_with_logits。

差异对比

PyTorch：将Sigmoid层和BCELoss组合在一个函数中计算预测值和目标值之间的二值交叉熵损失，使其比分开使用Sigmoid后跟BCELoss在数值上更加稳定。

MindSpore：MindSpore此API实现功能与PyTorch一致，仅输入参数 weight 和 pos_weight 默认值未设定。

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	label	功能一致，参数名不同
	参数3	weight	weight	功能一致，参数名默认值未设定
	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，默认值相同
	参数7	pos_weight	pos_weight	功能一致，参数名默认值未设定

代码示例1

两API实现功能一致，weight 和 pos_weight 都设定为1的情况下，MindSpore能得到和PyTorch一样的结果。

import numpy as np
import mindspore
from mindspore import Tensor, ops

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)
# 0.34636116

import torch

logits = torch.tensor(np.array([[-0.8, 1.2, 0.7], [-0.1, -0.4, 0.7]]))
label = torch.tensor(np.array([[0.3, 0.8, 1.2], [-0.6, 0.1, 2.2]]))
output = torch.nn.functional.binary_cross_entropy_with_logits(logits, label)
print(output)
# tensor(0.3464, dtype=torch.float64)