【损失函数】(五) BCELoss原理 & pytorch代码解析

Lcm_Tech

已于 2024-01-15 18:48:10 修改

阅读量6.4k

点赞数 2

分类专栏：损失函数深度学习文章标签： pytorch 人工智能 python

于 2023-08-03 14:38:24 首次发布

本文链接：https://blog.csdn.net/Lizhi_Tech/article/details/132082704

版权

深度学习同时被 2 个专栏收录

22 篇文章

订阅专栏

损失函数

5 篇文章

订阅专栏

本文介绍了BCELoss作为CrossEntropyLoss在二分类任务中的简化形式，包括其计算公式、网络输出要求和PyTorch实现。特别提到权重调整以处理标签不平衡问题。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.简介

我们了解完CrossEntropyLoss之后，BCELoss就十分好理解了，它全称为Binary Cross Entropy Loss，顾名思义就是CrossEntropyLoss的特殊二分类情况。

2.BCELoss

BCELoss的计算公式如下：

$loss(x,y)=L=\left \{ l_{1,...,l_{N}} \right \}^{T},$

$l_{n}=-w_{n}[y_{n}\cdot logx_{n}+(1-y_{n})\cdot log(1-x_{n}))]$

其中 $w_{y_{n}}$ 是每个类别的权重，默认的全为1， $x_{n}$ 表示该类输出的概率， $y_{n}$ 表示该类的真值。

实际上就是把多分类特殊化为二分类，公式与交叉熵公式相同。

3.思考

这里需要注意的是，公式里并不包含Softmax，这意味着网络的输出只有一个维度，表示预测的概率。因此网络最后一层需要加上Sigmoid函数来保证输出在0-1之间。

4.pytorch代码

以下代码为pytorch官方BCELoss代码，可以看到里面有几个参数，我们大多数情况下使用默认参数设置就好。

torch.nn.BCELoss(weight=None, size_average=None, reduce=None, reduction='mean')

其中：

weight表示每个类别的权重，当标签不平衡的时候可以使用来防止过拟合。
size_average表示是否将样本的loss进行平均之后输出，默认为true。
reduce表示是否将输出进行压缩，默认为true。当它为false的时候就会无视size_average。
reduction表示用怎么的方法进行reduce。可以设置为'none','mean','sum'。

import torch
import torch.nn as nn

a = torch.randn(3)
b = torch.Tensor([0, 1, 0])

criterion = nn.BCELoss()
c = criterion(torch.sigmoid(a), b)
print(c)

业务合作/学习交流+v：lizhiTechnology

如果想要了解更多损失函数相关知识，可以参考我的专栏和其他相关文章：

损失函数_Lcm_Tech的博客-CSDN博客

【损失函数】(一) L1Loss原理 & pytorch代码解析_l1 loss-CSDN博客

【损失函数】(二) L2Loss原理 & pytorch代码解析_l2 loss-CSDN博客

【损失函数】(三) NLLLoss原理 & pytorch代码解析_nll_loss-CSDN博客

【损失函数】(四) CrossEntropyLoss原理 & pytorch代码解析_crossentropyloss 权重-CSDN博客

【损失函数】(五) BCELoss原理 & pytorch代码解析_bce损失函数源码解析-CSDN博客

如果想要了解更多深度学习相关知识，可以参考我的其他文章：

深度学习_Lcm_Tech的博客-CSDN博客

【优化器】(一) SGD原理 & pytorch代码解析_sgd优化器-CSDN博客

【图像生成】(一) DNN 原理 & pytorch代码实例_pytorch dnn代码-CSDN博客