损失函数-BCELoss

BCELoss就时predict对应位置点求熵，相加，再求平均

证明：

#%%import torch 
import torch.nn as nn#%% mdBCELoss损失函数#%% 产生predict,target
N = 2
C = 1
H = 2
W = 2
predict = torch.arange(N*C*H*W,dtype=torch.float32).view([N,C,W,H])
predict = torch.sigmoid(predict)         #sigmoid!!!
target = torch.arange(N*C*H*W,dtype=torch.float32).view([N,C,W,H])      #sigmoid!!!
target = torch.sigmoid(target)
print('predict:',predict)
print('target:',target)#%% 利用公式计算BCELoss
sumAll = 0
for n in range(N):for c in range(C):for h in range(H):for w in range(W):sumAll += target[n,c,h,w]*torch.log(predict[n,c,h,w])+(1-target[n,c,h,w])*torch.log(1-predict[n,c,h,w])
print('公式计算结果：BCELoss:',-sumAll/(N*C*H*W))#%% 利用pytorch计算BCELoss
loss = torch.nn.BCELoss()
print('Pytorch计算结果:BCELoss:',loss(predict,target))

结果：

公式计算结果：BCELoss: tensor(0.2483)

Pytorch计算结果:BCELoss: tensor(0.2483)

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！