文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

文档反馈

mindspore.nn.BCELoss

class mindspore.nn.BCELoss(weight=None, 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。

将预测值设置为 $x$ ，目标值设置为 $y$ ，输出损失设置为 $ℓ (x, y)$ 。

则公式如下：

L = {l_{1}, \dots, l_{n}, \dots, l_{N}}^{⊤}, l_{n} = - w_{n} [y_{n} \cdot \log x_{n} + (1 - y_{n}) \cdot \log (1 - x_{n})]

其中N是批次大小。公式如下：

\begin{array}{r} ℓ (x, y) = {\begin{cases} L, & if reduction ='none'; \\ mean (L), & if reduction ='mean'; \\ sum (L), & if reduction ='sum'. \end{cases} \end{array}

说明

预测值一般是sigmoid函数的输出。因为是二分类，所以目标值应是0或者1。如果输入是0或1，则上述损失函数是无意义的。

参数：

weight (Tensor, 可选) - 指定每个批次二值交叉熵的权重。与输入数据的shape和数据类型相同。默认值： None 。
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Tensor，shape $(N, *)$ ，其中 $*$ 代表任意数量的附加维度。数据类型必须为float16或float32。
labels (Tensor) - 输入目标值Tensor，shape $(N, *)$ ，其中 $*$ 代表任意数量的附加维度。与 logits 的shape和数据类型相同。

输出：

Tensor，数据类型与 logits 相同。如果 reduction 为'none'，则shape与 logits 相同。否则，输出为Scalar的Tensor。

异常：

TypeError - logits 的数据类型，labels 或 weight （如果给定）既不是float16，也不是float32。
ValueError - reduction 不为 'none' 、 'mean' 或 'sum' 。
ValueError - logits 的shape与 labels 或 weight （如果给定）不同。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore as ms
>>> import mindspore.nn as nn
>>> import numpy as np
>>> weight = ms.Tensor(np.array([[1.0, 2.0, 3.0], [4.0, 3.3, 2.2]]), ms.float32)
>>> loss = nn.BCELoss(weight=weight, reduction='mean')
>>> logits = ms.Tensor(np.array([[0.1, 0.2, 0.3], [0.5, 0.7, 0.9]]), ms.float32)
>>> labels = ms.Tensor(np.array([[0, 1, 0], [0, 0, 1]]), ms.float32)
>>> output = loss(logits, labels)
>>> print(output)
1.8952923