BCELoss¶
该接口用于创建一个BCELoss的可调用类，用于计算输入和标签之间的二值交叉熵损失值。二值交叉熵损失函数公式如下：
当 weight 不为空时，公式为：
\[Out = -1 * weight * (label * log(input) + (1 - label) * log(1 - input))\]
当 weight 为空时，公式为：
\[Out = -1 * (label * log(input) + (1 - label) * log(1 - input))\]
当 reduction 为 none 时，最终的输出结果为：
\[Out = Out\]
当 reduction 为 sum 时，最终的输出结果为：
\[Out = MEAN(Out)\]
当 reduction 为 sum 时，最终的输出结果为：
\[Out = SUM(Out)\]
**注意：输入数据一般是 fluid.layers.sigmoid 的输出。因为是二分类，所以标签值应该是0或者1。
输入input和标签label的维度是[N, *], 其中N是batch_size， * 是任意其他维度。
如果 reduction 是 'none', 则输出的维度为 [N, *], 与输入input的形状相同。
如果 reduction 是 'mean' 或 'sum', 则输出的维度为 [1]。
参数¶
weight(Variable, optional)：- 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。默认是：None。
reduction(str, optional)：- 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BCELoss。
返回¶
返回计算BCELoss的可调用对象。
代码示例¶
# declarative mode
import paddle.fluid as fluid
import numpy as np
import paddle
input = fluid.data(name="input", shape=[3, 1], dtype='float32')
label = fluid.data(name="label", shape=[3, 1], dtype='float32')
bce_loss = fluid.dygraph.BCELoss()
output = bce_loss(input, label)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
exe.run(fluid.default_startup_program())
input_data = np.array([0.5, 0.6, 0.7]).astype("float32")
label_data = np.array([1.0, 0.0, 1.0]).astype("float32")
output_data = exe.run(fluid.default_main_program(),
feed={"input":input_data, "label":label_data},
fetch_list=[output],
return_numpy=True)
print(output_data) # [array([0.65537095], dtype=float32)]
# imperative mode
import paddle.fluid.dygraph as dg
with dg.guard(place) as g:
input = dg.to_variable(input_data)
label = dg.to_variable(label_data)
output = bce_loss(input, label)
print(output.numpy()) # [0.65537095]