【笔记】BCE Loss:Binary Cross Entropy

程序猿的探索之路

已于 2022-03-07 12:23:39 修改

阅读量587

点赞数 2

分类专栏：小菜鸡加油文章标签： pytorch 深度学习机器学习

于 2022-03-07 12:10:23 首次发布

原文链接：https://www.cnblogs.com/yangzsnews/p/7496639.html

版权

小菜鸡加油专栏收录该内容

399 篇文章

订阅专栏

本文通过实例对比，探讨了PyTorch中BCELoss和BCEWithLogitsLoss在二元交叉熵损失计算上的异同，帮助理解两者在实际应用中的选择和优化技巧。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

注：

对数函数图像：

资料1：

代码示例

下面为一个简单的示例：

import torch
import random
from torch import nn

random.seed(0)
torch.manual_seed(0)
input = torch.randn(3, 3)
out = torch.sigmoid(input)
target = torch.FloatTensor([[0, 1, 1],
                            [0, 0, 1],
                            [1, 0, 1]])
l1 = nn.BCELoss()
loss1 = l1(out, target) 
print(loss1)  # tensor(1.1805)

input2 = torch.FloatTensor([[1.5410, -0.2934, -2.1788],
                            [0.5684, -1.0845, -1.3986],
                            [0.4033,  0.8380, -0.7193]])
l2 = nn.BCEWithLogitsLoss()
loss2 = l2(input2, target)
print(loss2)  # tensor(1.1805)
# 可以发现loss1和loss2相等