mindspore.ops.BinaryCrossEntropy
- class mindspore.ops.BinaryCrossEntropy(reduction='mean')[源代码]
计算目标值和预测值之间的二值交叉熵损失值。
将 logits 设置为 \(x\) , labels 设置为 \(y\) ,输出为 \(\ell(x, y)\) 。则,
\[L = \{l_1,\dots,l_N\}^\top, \quad l_n = - w_n \left[ y_n \cdot \log x_n + (1 - y_n) \cdot \log (1 - x_n) \right]\]其中, \(L\) 表示所有批次的损失, \(l\) 表示一个批次的损失,n表示1-N范围内的一个批次,\(w_n\) 表示第 \(n\) 批二进制交叉熵的权重。则,
\[\begin{split}\ell(x, y) = \begin{cases} L, & \text{if reduction} = \text{'none';}\\ \operatorname{mean}(L), & \text{if reduction} = \text{'mean';}\\ \operatorname{sum}(L), & \text{if reduction} = \text{'sum'.} \end{cases}\end{split}\]警告
\(x\) 的值必须在0到1之间。
- 参数:
reduction (str,可选) - 指定应用于输出结果的规约计算方式,可选
'none'
、'mean'
、'sum'
,默认值:'mean'
。"none"
:不应用规约方法。"mean"
:计算输出元素的加权平均值。"sum"
:计算输出元素的总和。
- 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。
labels (Tensor) - 输入目标值,其shape和数据类型与 logits 相同。
weight (Tensor, 可选) - 每个批次二值交叉熵的权重。且shape和数据类型必须与 logits 相同。默认值:
None
。
- 输出:
Tensor,与 logits 有相同的数据类型。如果 reduction 为
'none'
,则shape与 logits 相同。否则,输出为Scalar Tensor。- 异常:
TypeError - logits 、 labels 及 weight 的数据类型既不是float16,也不是float32。
ValueError - reduction 不为
'none'
、'mean'
或'sum'
。ValueError - labels 的shape与 logits 或 weight 不同。
TypeError - logits 、 labels 或 weight 不是Tensor。
- 支持平台:
Ascend
GPU
CPU
样例:
>>> import mindspore >>> import numpy as np >>> from mindspore import Tensor, nn, ops >>> class Net(nn.Cell): ... def __init__(self): ... super(Net, self).__init__() ... self.binary_cross_entropy = ops.BinaryCrossEntropy() ... def construct(self, logits, labels, weight): ... result = self.binary_cross_entropy(logits, labels, weight) ... return result ... >>> net = Net() >>> logits = Tensor(np.array([0.2, 0.7, 0.1]), mindspore.float32) >>> labels = Tensor(np.array([0., 1., 0.]), mindspore.float32) >>> weight = Tensor(np.array([1, 2, 2]), mindspore.float32) >>> output = net(logits, labels, weight) >>> print(output) 0.38240486