mindspore.ops.BCEWithLogitsLoss

class mindspore.ops.BCEWithLogitsLoss(reduction='mean')

输入经过sigmoid激活函数后作为预测值，BCEWithLogitsLoss 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，

\[\begin{split}\begin{array}{ll} \\ p_{ij} = sigmoid(X_{ij}) = \frac{1}{1 + e^{-X_{ij}}} \\ L_{ij} = -[Y_{ij}log(p_{ij}) + (1 - Y_{ij})log(1 - p_{ij})] \end{array}\end{split}\]

\(i\) 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。

该算子会将输出乘以相应的权重。 weight 表示一个batch中的每条数据分配不同的权重， pos_weight 为每个类别的正例子添加相应的权重。

此外，它可以通过向正例添加权重来权衡召回率和精度。 在多标签分类的情况下，损失可以描述为：

\[\begin{split}\begin{array}{ll} \\ p_{ij,c} = sigmoid(X_{ij,c}) = \frac{1}{1 + e^{-X_{ij,c}}} \\ L_{ij,c} = -[P_{c}Y_{ij,c} * log(p_{ij,c}) + (1 - Y_{ij,c})log(1 - p_{ij,c})] \end{array}\end{split}\]

其中 c 是类别数目（c>1 表示多标签二元分类，c=1 表示单标签二元分类），n 是批次中样本的数量，\(P_c\) 是 第c类正例的权重。 \(P_c>1\) 增大召回率, \(P_c<1\) 增大精度。

参数：

• 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。如果取值为 'none' ，则不执行 reduction 。默认值： 'mean' 。

输入：

• logits (Tensor) - 输入预测值，其shape为 \((N, *)\) ，其中 \(*\) 为任意数量的额外维度。数据类型必须为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。

输出：

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 - 所有的输入都不是Tensor。

• TypeError - 所有输入的数据类型既不是float16也不是float32。

• TypeError - reduction 的数据类型不是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：

>>> import mindspore
>>> import numpy as np
>>> 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)
>>> loss = ops.BCEWithLogitsLoss()
>>> output = loss(logits, label, weight, pos_weight)
>>> print(output)
0.3463612