binary_cross_entropy_with_logits

paddle.nn.functional. binary_cross_entropy_with_logits ( logit, label, weight=None, reduction='mean', pos_weight=None, name=None ) [源代码]

计算输入 logit 和标签 label 间的 binary cross entropy with logits loss 损失。

结合了 sigmoid 操作和 api_nn_loss_BCELoss 操作。同时,我们也可以认为这是 sigmoid_cross_entrop_with_logits 和一些 reduce 操作的组合。

在每个类别独立的分类任务中,可以用于计算按元素的概率误差。可以将其视为预测数据点的标签,其中标签不是互斥的。例如,一篇新闻文章可以同时关于政治,科技,体育或者同时不包含这些内容。

首先,可通过以下公式计算损失函数:

\[Out = -Labels * \log(\sigma(Logit)) - (1 - Labels) * \log(1 - \sigma(Logit))\]

其中 \(\sigma(Logit) = \frac{1}{1 + e^{-Logit}}\),代入上方计算公式中:

\[Out = Logit - Logit * Labels + \log(1 + e^{-Logit})\]

为了计算稳定性,防止当 \(Logit<0\) 时,\(e^{-Logit}\) 溢出,loss 将采用以下公式计算:

\[Out = \max(Logit, 0) - Logit * Labels + \log(1 + e^{-\|Logit\|})\]

然后,当 weightpos_weight 不为 None 的时候,将会在输出 Out 上乘以相应的权重。Tensor weight 给 Batch 中的每一条数据赋予不同权重,Tensor pos_weight 给每一类的正例添加相应的权重。

最后,将会添加 reduce 操作到前面的输出 Out 上。当 reductionnone 时,直接返回最原始的 Out 结果。当 reductionmean 时,返回输出的均值 \(Out = MEAN(Out)\)。当 reductionsum 时,返回输出的求和 \(Out = SUM(Out)\)

**注意:**因为是二分类任务,所以标签值应该是 0 或者 1。

参数

  • logit (Tensor) - \([N, *]\),其中 N 是 batch_size, * 是任意其他维度。输入数据 logit 一般是线性层的输出,不需要经过 sigmoid 层。数据类型是 float32、float64。

  • label (Tensor) - \([N, *]\),标签 label 的维度、数据类型与输入 logit 相同。

  • weight (Tensor,可选) - 手动指定每个 batch 二值交叉熵的权重,如果指定的话,维度必须是一个 batch 的数据的维度。数据类型是 float32, float64。默认值是:None。

  • reduction (str,可选) - 指定应用于输出结果的计算方式,可选值有:'none', 'mean', 'sum'。默认为 'mean',计算 BCELoss 的均值;设置为 'sum' 时,计算 BCELoss 的总和;设置为 'none' 时,则返回原始 loss。

  • pos_weight (Tensor,可选) - 手动指定正类的权重,必须是与类别数相等长度的向量。数据类型是 float32, float64。默认值是:None。

  • name (str,可选) - 具体用法请参见 Name,一般无需设置,默认值为 None。

返回

  • Tensor,输出的 Tensor。如果 reduction'none',则输出的维度为 \([N, *]\),与输入 input 的形状相同。如果 reduction'mean''sum',则输出的维度为 \([]\)

代码示例

import paddle

logit = paddle.to_tensor([5.0, 1.0, 3.0])
label = paddle.to_tensor([1.0, 0.0, 1.0])
output = paddle.nn.functional.binary_cross_entropy_with_logits(logit, label)
print(output)  # 0.45618808