BCEWithLogitsLoss in PyTorch

Kauf mir einen Kaffee☕

*Memos:

• In meinem Beitrag werden L1-Verlust (MAE), L2-Verlust (MSE), Huber-Verlust, BCE und Kreuzentropieverlust erklärt.
• Mein Beitrag erklärt BCELoss().
• Mein Beitrag erklärt Sigmoid.
• Mein Beitrag erklärt CrossEntropyLoss().

BCEWithLogitsLoss() kann den 0D- oder mehr D-Tensor der null oder mehr Werte (Float) abrufen, die von BCE Loss und Sigmoid aus dem 0D- oder mehr D-Tensor von null oder mehr Elementen berechnet werden, wie unten gezeigt:

*Memos:

• Das erste Argument für die Initialisierung ist Gewicht (Optional-Default:None-Type:Tensor von int, float oder bool): *Memos:
  • Wenn es nicht angegeben ist, ist es 1.
  • Es muss der 0D- oder mehr D-Tensor von null oder mehr Elementen sein.
• Es gibt ein Reduktionsargument für die Initialisierung (Optional-Default:'mean'-Type:str). *'none', 'mean' oder 'sum' können ausgewählt werden.
• Es gibt ein pos_weight-Argument für die Initialisierung (Optional-Default:None-Type:tensor of int or float): *Memos:
  • Wenn es nicht angegeben ist, ist es 1.
  • Es muss der 0D- oder mehr D-Tensor von null oder mehr Elementen sein.
• Es gibt die Argumente „size_average“ und „reduction“ für die Initialisierung, aber sie sind veraltet.
• Das 1. Argument ist input(Required-Type:tensor of float). *Es muss der Tensor 0D oder mehr D von null oder mehr Elementen sein.
• Das 2. Argument ist target(Required-Type:tensor of float). *Es muss der Tensor 0D oder mehr D von null oder mehr Elementen sein.
• Eingabe und Ziel müssen die gleiche Größe haben, sonst liegt ein Fehler vor.
• Der leere 1D- oder mehr D-Eingabe- und Zieltensor mit reduction='mean' gibt nan zurück.
• Der leere 1D- oder mehr D-Eingabe- und Zieltensor mit reduction='sum' gibt 0 zurück.

import torch
from torch import nn

tensor1 = torch.tensor([ 8., -3., 0.,  1.,  5., -2.])
tensor2 = torch.tensor([-3.,  7., 4., -2., -9.,  6.])
       # -w*(p*y*log(1/(1+exp(-x))+(1-y)*log(1-(1/1+exp(-x))))
       # -1*(1*(-3)*log(1/(1+exp(-8)))+(1-(-3))*log(1-(1/(1+exp(-8)))))
       # ↓↓↓↓↓↓↓
       # 32.0003 + 21.0486 + 0.6931 + 3.3133 + 50.0067 + 50.0067 = 82.8423
       # 119.1890 / 6 = 19.8648
bcelogits = nn.BCEWithLogitsLoss()
bcelogits(input=tensor1, target=tensor2)
# tensor(19.8648)

bcelogits
# BCEWithLogitsLoss()

print(bcelogits.weight)
# None

bcelogits.reduction
# 'mean'

bcelogits = nn.BCEWithLogitsLoss(weight=None,
                                 reduction='mean',
                                 pos_weight=None)
bcelogits(input=tensor1, target=tensor2)
# tensor(19.8648)

bcelogits = nn.BCEWithLogitsLoss(reduction='sum')
bcelogits(input=tensor1, target=tensor2)
# tensor(119.1890)

bcelogits = nn.BCEWithLogitsLoss(reduction='none')
bcelogits(input=tensor1, target=tensor2)
# tensor([32.0003, 21.0486, 0.6931, 3.3133, 50.0067, 12.1269])

bcelogits = nn.BCEWithLogitsLoss(weight=torch.tensor([0., 1., 2., 3., 4., 5.]))
bcelogits(input=tensor1, target=tensor2)
# tensor(48.8394)

bcelogits = nn.BCEWithLogitsLoss(
                pos_weight=torch.tensor([0., 1., 2., 3., 4., 5.])
            )
bcelogits(input=tensor1, target=tensor2)
# tensor(28.5957)

bcelogits = nn.BCEWithLogitsLoss(weight=torch.tensor(0.))
bcelogits(input=tensor1, target=tensor2)
# tensor(0.)

bcelogits = nn.BCEWithLogitsLoss(pos_weight=torch.tensor(0.))
bcelogits(input=tensor1, target=tensor2)
# tensor(13.8338)

bcelogits = nn.BCEWithLogitsLoss(weight=torch.tensor([0, 1, 2, 3, 4, 5]))
bcelogits(input=tensor1, target=tensor2)
# tensor(48.8394)

bcelogits = nn.BCEWithLogitsLoss(pos_weight=torch.tensor([0, 1, 2, 3, 4, 5]))
bcelogits(input=tensor1, target=tensor2)
# tensor(28.5957)

bcelogits = nn.BCEWithLogitsLoss(weight=torch.tensor(0))
bcelogits(input=tensor1, target=tensor2)
# tensor(0.)

bcelogits = nn.BCEWithLogitsLoss(pos_weight=torch.tensor(0))
bcelogits(input=tensor1, target=tensor2)
# tensor(13.8338)

bcelogits = nn.BCEWithLogitsLoss(
              weight=torch.tensor([True, False, True, False, True, False])
          )
bcelogits(input=tensor1, target=tensor2)
# tensor(13.7834)

bcelogits = nn.BCEWithLogitsLoss(weight=torch.tensor([False]))
bcelogits(input=tensor1, target=tensor2)
# tensor(0.)

tensor1 = torch.tensor([[8., -3., 0.], [1., 5., -2.]])
tensor2 = torch.tensor([[-3., 7., 4.], [-2., -9., 6.]])

bcelogits = nn.BCEWithLogitsLoss()
bcelogits(input=tensor1, target=tensor2)
# tensor(19.8648)

tensor1 = torch.tensor([[[8.], [-3.], [0.]], [[1.], [5.], [-2.]]])
tensor2 = torch.tensor([[[-3.], [7.], [4.]], [[-2.], [-9.], [6.]]])

bcelogits = nn.BCEWithLogitsLoss()
bcelogits(input=tensor1, target=tensor2)
# tensor(19.8648)

tensor1 = torch.tensor([])
tensor2 = torch.tensor([])

bcelogits = nn.BCEWithLogitsLoss(reduction='mean')
bcelogits(input=tensor1, target=tensor2)
# tensor(nan)

bcelogits = nn.BCEWithLogitsLoss(reduction='sum')
bcelogits(input=tensor1, target=tensor2)
# tensor(0.)

Das obige ist der detaillierte Inhalt vonBCEWithLogitsLoss in PyTorch. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!