比较与torch.nn.functional.binary_cross_entropy_with_logits的差异

查看源文件

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)

更多内容详见torch.nn.functional.binary_cross_entropy_with_logits

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 weightpos_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,weightpos_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)