bceloss报错:

在使用PyTorch的BCELoss时遇到了错误,报错信息指出输入(input)值应位于0和1之间。这通常意味着在应用损失函数前,输入应当通过sigmoid激活函数进行归一化。标签(y)的赋值不受此限制。
摘要由CSDN通过智能技术生成

 

C:/w/1/s/windows/pytorch/aten/src/THCUNN/BCECriterion.cu:42: block: [0,0,0], thread: [209,0,0] Assertion `input >= 0. && input <= 1.` failed.

 

Assertion `x >= 0. && x <= 1.' failed. input value should be between 0~1, but got -1.000000 at C:\w\1\s\windows\pytorch\aten\src\THNN/generic/BCECriterion.c:62

是说input就是x,必须是sigmoid之后,0-1之间。

标签y可以随便标。

input必须是0到1之间的:

import torch

v = 0.5  # 1-0.0001
v1 = v - 0.01
a = torch.FloatTensor([-1, v1, v])
b = torch.FloatTensor([-1, 2, 0])

loss_fn = torch.nn.BCELoss()  # reduce=False, size_average=False)

x = loss_fn(a, b).item()
print(x)

 

import torch

from utils.select_gpu import usegpu

usegpu(1)
torch.cuda.set_device(0)
v = 0.5  # 1-0.0001
v1 = v - 0.01
a = torch.FloatTensor()
b = torch.FloatTensor()

loss_fn = torch.nn.BCELoss().cuda()  # reduce=False, size_average=False)

x = loss_fn(a.cuda(), b.cuda()).item()
print(x)

 

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
torch.nn.BCELoss是PyTorch中的一个损失函数,用于二分类问题中,计算二值交叉熵损失。对于输入的预测值和目标值,该函数将其进行Sigmoid激活并计算二值交叉熵损失。 BCELoss函数的参数包括weight、size_average。weight是用于样本加权的张量,size_average是一个布尔值,指定是否对损失进行平均。 使用BCELoss的步骤如下: 1. 首先,创建一个BCELoss的实例。 2. 然后,将网络的输出通过Sigmoid激活。 3. 接着,将Sigmoid激活后的输出和目标值作为参数传入BCELoss函数。 4. 最后,调用BCELoss函数,即可得到计算的二值交叉熵损失。 该损失函数的值越小,表示预测结果与目标值的差距越小,模型的性能也越好。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* [torch.nn.BCELoss](https://blog.csdn.net/weixin_41978699/article/details/120589510)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *3* [Pytorch中torch.nn的损失函数](https://download.csdn.net/download/weixin_38747144/13743344)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

AI算法网奇

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值